Crop Residues Stimulate Yield-Scaled Greenhouse Gas Emissions In Maize-Wheat Cropping Rotation In A Semi-Arid Climate
Notice bibliographique
Résumé
Mitigating yield-scaled greenhouse gas emissions (YSE) is beneficial for enhancing crop yield, reducing greenhouse gas (GHG) emissions, and advancing climate-smart agronomic management practices. This study aims to evaluate the impact of different crop residue rates– 100% (R100), 50% (R50), and residue removal (R0) – on the YSE indicator within a maize-wheat cropping rotation under both conventional tillage (CT) and no-tillage (NT) systems in a semi-arid region. In the NT system, crop residues had a notable effect on the YSE indicator for wheat. Specifically, R0 exhibited a 39% and 20% decrease in YSE for wheat compared to R100 and R50, respectively. Interestingly, crop residue did not significantly influence YSE for maize under the NT system. On the other hand, in the CT system, YSE for maize in R0 was 33% and 25% lower than that in R100 and R50, respectively. Additionally, compared to R0, there were observed increases of 28% and 20% in YSE for wheat in R100 and R50 under the CT system, respectively. Our findings show that crop residue removal decreases YSE under both CT and NT systems. However, given that this practice degrades soil quality and results in lower yields, it is not considered a sustainable management practice compared to residue retention options. This research highlights the importance of evaluating GHG mitigation strategies by concurrently considering both emissions and crop production. Nevertheless, it is essential to conduct off-site assessments of GHG emissions from crop residue application and also engage in long-term studies to comprehend the full potential of crop residue management on YSE.
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 | 0,001 | 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 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 ».