Small, But Significant Declines In Crop Productivity On Low Fertility Soils
Notice bibliographique
Résumé
Agricultural yields are susceptible to losses during extreme weather events related to climate change, jeopardizing food security. Yield losses may be mediated by underlying quality or variation of agricultural land in soil fertility, topography, drainage, and growing degree days. For instance, crops grown on poor quality land may be more susceptible to the negative consequences of climate variation as compared to crops grown on high quality land. This study investigated yield response for corn, soybeans, and pasture to different land qualities across Ontario from 2011 to 2017. Yield is approximated using the Normalized Difference Vegetation Index (NDVI), which is a satellite-derived measure of biomass production. For three focal crops (soybean, corn, and pasture), the average maximum NDVI and the coefficient of variance (CV) of maximum NDVI were aggregated at a provincial and county scale for each land quality classification. Relatively stable CV values were evident across all land qualities, yet certain counties showed greater variation in productivity on poor quality land suggesting greater susceptibility to extreme weather. Over 7 years, there were small but significant declines in NDVI in response to poor quality land for all three crop types. This suggests that agricultural producers cannot overcome the biophysical limitations of poor quality land on crop yield. Understanding differential crop productivity responses to land quality can help producers mitigate crop losses to climatic variation, thus equally stabilizing food availability.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».