Crop rotational diversity can mitigate climate‐induced grain yield losses
Notice bibliographique
Résumé
Diversified crop rotations have been suggested to reduce grain yield losses from the adverse climatic conditions increasingly common under climate change. Nevertheless, the potential for climate change adaptation of different crop rotational diversity (CRD) remains undetermined. We quantified how climatic conditions affect small grain and maize yields under different CRDs in 32 long-term (10-63 years) field experiments across Europe and North America. Species-diverse and functionally rich rotations more than compensated yield losses from anomalous warm conditions, long and warm dry spells, as well as from anomalous wet (for small grains) or dry (for maize) conditions. Adding a single functional group or crop species to monocultures counteracted yield losses from substantial changes in climatic conditions. The benefits of a further increase in CRD are comparable with those of improved climatic conditions. For instance, the maize yield benefits of adding three crop species to monocultures under detrimental climatic conditions exceeded the average yield of monocultures by up to 553 kg/ha under non-detrimental climatic conditions. Increased crop functional richness improved yields under high temperature, irrespective of precipitation. Conversely, yield benefits peaked at between two and four crop species in the rotation, depending on climatic conditions and crop, and declined at higher species diversity. Thus, crop species diversity could be adjusted to maximize yield benefits. Diversifying rotations with functionally distinct crops is an adaptation of cropping systems to global warming and changes in precipitation.
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 | 0,001 |
| 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) | 0,001 | 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 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 ».