Increasing seedling number alleviates the adverse effects of warming on grain yield and reduces greenhouse gas emission in late-season rice
Notice bibliographique
Résumé
To address the adverse effects of warming on late-season rice, we investigated the impact of increasing the number of seedlings on rice yield, quality, and greenhouse gas (GHG) emissions under canopy warming conditions using the free-air temperature increase (FATI) system. Three treatments were implemented: ambient temperature with two seedlings hill-1 (CKS1), canopy warming with two seedlings hill-1 (WS1), and canopy warming with four seedlings hill-1 (WS2). FATI increased rice canopy temperature and soil temperature by an average of 1.9–2.2°C and 0.6–0.8°C, respectively, over the two years. The yield in WS1 was significantly reduced by 10.1%–12.1% compared with CKS1, which was attributed to a significant decrease in total spikelets m-2 and spikelets panicle-1, despite a notable increase in filled grains in 2023. However, WS2 demonstrated no significant change in yield compared with CKS1. Analysis of yield components revealed that WS2 exhibited significantly higher panicles m-2 than CKS1, while the spikelets panicle-1 were significantly lower than CKS1. No significant changes were observed in grain weight and processing and appearance qualities. Compared with that under CKS1, CH4 was significantly reduced under WS2 treatment in both years, and the global warming potential (GWP) and GHG intensity (GHGI) showed a decrease, with notable differences observed in 2022. Therefore, increasing the number of seedlings hill-1 can alleviate the negative impacts of canopy warming on grain yield and reduce GHG emissions in late-season rice.
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 | 0,000 | 0,000 |
| 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 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 ».