Modelling adaptation strategies to reduce adverse impacts of climate change on maize cropping system in Northeast China
Notice bibliographique
Résumé
Abstract Maize ( Zea mays L.) production in Northeast China is vulnerable to climate change. Thus, exploring future adaptation measures for maize is crucial to developing sustainable agriculture to ensure food security. The current study was undertaken to evaluate the impacts of climate change on maize yield and partial factor productivity of nitrogen (PFPN) and explore potential adaptation strategies in Northeast China. The Decision Support System for Agrotechnology Transfer (DSSAT) model was calibrated and validated using the measurements from nine maize experiments. DSSAT performed well in simulating maize yield, biomass and N uptake for both calibration and validation periods (normalized root mean square error (nRMSE) < 10%, −5% < normalized average relative error (nARE) < 5% and index of agreement (d) > 0.8). Compared to the baseline (1980–2010), the average maize yields and PFPN would decrease by 7.6–32.1% and 3.6–14.0 kg N kg −1 respectively under future climate scenarios (2041–2070 and 2071–2100) without adaptation. Optimizing N application rate and timing, establishing rotation system with legumes, adjusting planting dates and breeding long-season cultivars could be effective adaptation strategies to climate change. This study demonstrated that optimizing agronomic crop management practices would assist to make policy development on mitigating the negative impacts of future climate change on maize production.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».