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 planted on rice yield, quality, and greenhouse gas emissions under canopy warming conditions using the free-air temperature increase (FATI) system. Three treatments were implemented: ambient temperature with 2 seedlings per hill (CKS1), canopy warming with 2 seedlings per hill (WS1), and canopy warming with 4 seedlings per hill (WS2). FATI increased rice canopy temperature and soil temperature by an average of 1.9 o C–2.2 o C and 0.6 o C–0.8 o C, respectively, over the two years. The yield in WS1 was significantly reduced by 10.1%–12.1% compared to CKS1, which was attributed to a significant decrease in total spikelets per unit area and spikelets per panicle, 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 per m 2 relative to CKS1, while the spikelets per panicle were significantly lower than did CKS1. No significant changes were observed in grain weight and processing and appearance qualities. Compared with that under CKS1, CH 4 was significantly reduced under WS2 treatment in both years. Furthermore, the global warming potential (GWP) and greenhouse gas intensity (GHGI) showed a decrease, with notable differences observed in 2022. Therefore, increasing the number of seedlings per hill can alleviate the negative impacts of canopy warming on grain yield and reduce greenhouse gas 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 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 | 0,000 |
| 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) | 0,000 | 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 ».