Estimation of Potential Greenhouse Gases from the Agriculture and Livestock Sectors
Notice bibliographique
Résumé
Greenhouse gas emissions from the agricultural sector, including methane (CH4), nitrous oxide (N2O), and carbon dioxide (CO2), contribute significantly to climate change.This study aims to estimate the potential greenhouse gas emissions from the rice agriculture subsector and livestock subsector in Sigi Biromaru District, Sigi Regency, Indonesia, and identify effective mitigation measures.A descriptive survey was conducted using questionnaires administered to farmers in the district.Data on agricultural practices, including water regime, fertilizer use, and manure management, were collected.Additionally, data on the number of livestock and the average weight of livestock were obtained from the Livestock and Animal Health Office of Sigi Regency, while data on the area of rice farming land was obtained from the Horticulture and Plantation Food Crops Office of Sigi Regency.The estimated potential greenhouse gas emissions from the agricultural sector in 2022 amounted to 24,277.39 tons of CO2 eq, with the rice agriculture subsector contributing 14,538.08tons of CO2 eq (59.88%) and the livestock subsector contributing 9,739.31tons of CO2 eq (40.12%).Methane (CH4) accounted for the largest proportion of emissions, reaching 22,911.45tons of CO2 eq (94.37%), followed by nitrous oxide (N2O) at 1,303.64 tons of CO2 eq (5.37%) and carbon dioxide (CO2) at 62.30 tons of CO2 eq (0.26%).The agricultural sector in Sigi Biromaru District is a significant source of greenhouse gas emissions, with methane from rice cultivation and livestock manure management being the major contributors.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».