Diversity buffers winegrowing regions from climate change losses
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Agrobiodiversity—the variation within agricultural plants, animals, and practices—is often suggested as a way to mitigate the negative impacts of climate change on crops [S. A. Wood et al. , Trends Ecol. Evol. 30, 531–539 (2015)]. Recently, increasing research and attention has focused on exploiting the intraspecific genetic variation within a crop [Hajjar et al. , Agric. Ecosyst. Environ. 123, 261–270 (2008)], despite few relevant tests of how this diversity modifies agricultural forecasts. Here, we quantify how intraspecific diversity, via cultivars, changes global projections of growing areas. We focus on a crop that spans diverse climates, has the necessary records, and is clearly impacted by climate change: winegrapes (predominantly Vitis vinifera subspecies vinifera ). We draw on long-term French records to extrapolate globally for 11 cultivars (varieties) with high diversity in a key trait for climate change adaptation—phenology. We compared scenarios where growers shift to more climatically suitable cultivars as the climate warms or do not change cultivars. We find that cultivar diversity more than halved projected losses of current winegrowing areas under a 2 °C warming scenario, decreasing areas lost from 56 to 24%. These benefits are more muted at higher warming scenarios, reducing areas lost by a third at 4 °C (85% versus 58%). Our results support the potential of in situ shifting of cultivars to adapt agriculture to climate change—including in major winegrowing regions—as long as efforts to avoid higher warming scenarios are successful.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle