MétaCan
Menu
Retour à la cohorte
Enregistrement W4388440365 · doi:10.1016/j.compag.2023.108404

Simulating synergistic effects of climate change and conservation practices on greenhouse gas emissions and crop growth in long-term maize cropping systems

2023· article· en· W4388440365 sur OpenAlexafffund
Haomiao Cheng, Qilin Yu, Zhiming Qi, Melissa Bukovsky, Lulin Xue, Virginia L. Jin, Liwang Ma, R. Daren Harmel, Xiaoping Chen, Shu Ji, Lingzhan Miao, Shaoyuan Feng

Notice bibliographique

RevueComputers and Electronics in Agriculture · 2023
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueClimate change impacts on agriculture
Établissements canadiensMcGill University
Organismes subventionnairesNational Natural Science Foundation of ChinaMcGill UniversityChina Postdoctoral Science FoundationJiangsu Agricultural Science and Technology Innovation Fund
Mots-clésEnvironmental scienceGreenhouse gasClimate changeCrop yieldCropping systemCroppingAgronomyCropAtmospheric sciencesAgricultureEcology

Résumé

récupéré en direct d'OpenAlex

Understanding the impacts of future climate change and long-term agronomic practices on environmental quality and agricultural productivity is critical to the development of sustainable agronomic management approaches. Given these requirements, the present study’s objective was to evaluate the potential impacts of climate change and long-term conservation practices on greenhouse gas (GHG) emissions and crop growth. To project potential future (2065–2084) climatic conditions for a field under a long-term maize cropping system situated in Nebraska (USA), 12 different combinations of regional climate models × global climate models (RCMs-GCMs) were generated under representative concentration pathway 8.5 (RCP8.5) and a heightened atmospheric carbon dioxide concentration ([CO 2 ] atm = 714.1 ppm). Then, employing a well-calibrated instance of the Root Zone Water Quality Model (RZWQM2), the effects of four long-term conservation practices were simulated under the 12 RCMs-GCMs. Compared to other climatic factors ( e.g. , shortwave radiation, wind run, and relative humidity), temperature, precipitation, and [CO 2 ] atm played more important roles for future carbon dioxide (CO 2 ) and nitrous oxide (N 2 O) emissions, global warming potential (GWP), soil organic carbon (SOC), crop yield, and total crop biomass. The sum of their relative contributions to GHG emissions and crop growth exceeded 83.9 % across all treatments. Under future climatic conditions, CO 2 and N 2 O emissions increased significantly — 19.4 % ± 5.8 % and 26.6 % ± 8.9 %, respectively — compared to those under historical baseline conditions. Likewise, the GWP increased by 19.8 ± 5.8 %. Although rising [CO 2 ] atm afforded limited benefits in terms of crop photosynthesis rates, rising future temperatures shortened crop growth cycles, resulting in a net decrease of 9.1 % ± 1.9 % in maize yield and 4.2 % ± 1.6 % in total biomass. SOC saw a net increase of 4.8 % ± 0.4 % under the future ( vs. baseline) climate. Compared to residue removal with no-till treatment, annual CO 2 and N 2 O emissions in the long-term maize cropping system were predicted to increase by 26.8 % and 27.9 % between 2065 and 2084 under residue retention with tillage treatment, respectively. Whereas crop yield and biomass were not significantly affected by residue or tillage management practices. The simulation method provided valuable evidence for management decisions to assess the synergistic effects of climate change and long-term agronomic practices on the environment and agricultural productivity. Further investigation is needed on the effects of other climate RCPs and agronomic management for sustainable agricultural 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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,591
Score d'incertitude au seuil0,392

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,039
Tête enseignante GPT0,271
Écart entre enseignants0,232 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueComputers and Electronics in AgricultureMême sujetClimate change impacts on agricultureTravaux en français237 207