Rice yield response to climate and price policy in high-latitude regions of China
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
Abstract Climate change has renewed interest in the production capacity of agriculture. Few researchers paid attention to price policy and heteroscedasticity in yield model. We incorporate rice price policy into the yield model at the expected price using a Tobit procedure and take Kalman filter theory to explore useful information, and then estimate the rice yield response to climate and rice price using a spatial autoregressive combined model in high-latitude regions of China from 1992 to 2018. Meanwhile, we apply two different Breusch-Pagan tests to examine heteroscedasticity. Our results suggest that spatial correlation of the error term is a more critical source of heteroscedasticity and cannot be completely solved by only allowing spatially autocorrelated errors due to possible technology diffusion effects. The results also show that rice price support policy is useful for constructing rice expected prices, and the price elasticities of rice and corn on rice yield are 0.194 and -0.097, respectively. Among climate variables, the total growing degree days in the growing season has positive effects, and monthly accumulated growing degree days also matter, especially in June. Precipitation in July and August has a significant effect with an inverse U shape. Projections of future climate change suggest that rice yield will mainly increase, ranging from 0.095% to 1.769%, but the rate of increase in yield will slow down in the higher-rate global warming. This study shows how price policy could be incorporated into yield response model and highlights the importance of climate factors and crop price policy for rice yield.
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 | 0,000 | 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 découle