Climate-Smart Agriculture Practices for Mitigating Greenhouse Gas Emissions
Notice bibliographique
Résumé
Abstract Agricultural lands make up approximately 37% of the global land surface, and agriculture is a significant source of greenhouse gas (GHG) emissions, including carbon dioxide (CO 2 ), methane (CH 4 ) and nitrous oxide (N 2 O). Those GHGs are responsible for the majority of the anthropogenic global warming effect. Agricultural GHG emissions are associated with agricultural soil management (e.g. tillage), use of both synthetic and organic fertilisers, livestock management, burning of fossil fuel for agricultural operations, and burning of agricultural residues and land use change. When natural ecosystems such as grasslands are converted to agricultural production, 20–40% of the soil organic carbon (SOC) is lost over time, following cultivation. We thus need to develop management practices that can maintain or even increase SOCstorage in and reduce GHG emissions from agricultural ecosystems. We need to design systematic approaches and agricultural strategies that can ensure sustainable food production under predicted climate change scenarios, approaches that are being called climate‐smart agriculture (CSA). Climate‐smart agricultural management practices, including conservation tillage, use of cover crops and biochar application to agricultural fields, and strategic application of synthetic and organic fertilisers have been considered a way to reduce GHG emission from agriculture. Agricultural management practices can be improved to decreasing disturbance to the soil by decreasing the frequency and extent of cultivation as a way to minimise soil C loss and/or to increase soil C storage. Fertiliser nitrogen (N) use efficiency can be improved to reduce fertilizer N application and N loss. Management measures can also be taken to minimise agricultural biomass burning. This chapter reviews the current literature on CSA practices that are available to reduce GHG emissions and increase soil Csequestration and develops a guideline on best management practices to reduce GHG emissions, increase C sequestration, and enhance crop productivity in agricultural production systems.
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 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».