Optimizing Energy Consumption in Legume Production to Mitigate Greenhouse Gas Emissions: An Empirical Investigation
Notice bibliographique
Résumé
Owing to the escalating utilization of agricultural inputs, energy consumption and the associated greenhouse gas (GHG) emissions have seen a significant surge.Consequently, the optimization of energy usage to mitigate environmental pollutants has emerged as a critical focus.This study employs the Data Envelopment Analysis (DEA) methodology to optimize energy consumption and reduce GHG emissions in agricultural production.Data was collected through randomized, face-to-face interviews with 200 agricultural producers in Chennai, India, in 2021.The results revealed that the total energy input for legume production was 2000 MJ/HA 2 for seed, 29950 MJ/HA 2 for fertilizer, and 1065 MJ/HA 2 for machinery.Among the consumption components, nitrogen fertilizer, electricity, diesel fuel, and irrigation water accounted for 35%, 27%, 18%, and 9% of the total, respectively.However, under optimal input consumption conditions, the total energy requirement was determined to be 31678 MJ/HA 2 .Accordingly, a saving of 2.36% in total energy consumption could be achieved without compromising yield.This research underscores the potential for energy optimization in agricultural practices, contributing significantly to GHG emission reduction efforts.
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 | 0,000 | 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 ».