Climate effect on rainfed wheat production in Zarfshan valley with emphasis on Ryan Panjkent
Notice bibliographique
Résumé
Wheat is the main human food that is consumed directly. Recognition of climatic parameters and study of climatic needs of crop plants is one of the most important factors in the production of rainfed wheat. This study is due to the importance of climatic parameters in rainfed wheat production and also due to the potential of rainfed rainforests in Tajikistan, including Ryan Panjkent and Qa in Wadi Zarafshan. The data used in this study were collected through the Tajik Meteorological Department and the Tajik Ministry of Agriculture and the Pentecostal Agricultural Office in the field and in libraries. In the first step, the data were checked for homogeneity and uniformity. In the next step, using Lars Wg software using HadGEM2-ES series models and three scenarios of RCP26, RCP45, RCP85 in the period 2011-2050, the Lars model's ability to predict the climatic variables of Panjkent station was evaluated and then the data. The prediction was evaluated with observational data and also through Anova correlation and test between climatic parameters and production of rainfed wheat per hectare by Toronto White Climate Method. Connection results between climatic parameters and rainfed wheat production Using the analysis of variance (F) test and comparison with the table of coefficients of F showed; There is a significant relationship between rainfall in May and maximum temperature in June with wheat production and also rainfall in October, maximum temperature in November with rainfed wheat production in Panjkent station, there is no significant relationship per hectare.
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 | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| 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 | 0,001 |
| 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 ».