Potential deficit irrigation adaptation strategies under climate change for sustaining cotton production in hyper–arid areas
Notice bibliographique
Résumé
Affected by climate change and elevated atmospheric CO 2 levels, the efficacy of agricultural management practices is of particular concern in a hyper–arid area. The effects of future climate change on cotton ( Gossypium hirsutum L.) yield and water productivity (WP) were assessed under deficit irrigation strategies in China’s southern Xinjiang region. A previously calibrated and validated RZWQM2 model simulated cotton production for two time periods ranging between 2061–2080 and 2081–2100, under automatic irrigation method based on crop plant available water, factorially combined with four irrigation levels (100 %, 80 %, 60 %, and 50 %). Weather data was obtained from ten general circulation models, and two Shared Socioeconomic Pathways were tested. Deficit irrigation under climate change showed a simulated decrease in water use and production of cotton compared to the baseline (1960–2019). For the 2061–2080 period, mean simulated seed cotton yields were 4.43, 4.44, 3.95 and 3.47 Mg ha –1 ( vs. baseline: 4.65, 4.40, 3.58, 2.63 Mg ha −1 ) with the 100 %, 80 %, 60 % and 50 % irrigation levels. A 3.4 %-28.6 % of decrease ( vs. baseline) in seed cotton yield was found under SSP585 scenario in 2081–2100. The 80 %PAW–based irrigation provided the highest WP of 12.8 kg m –3 and 8.4 kg m –3 for 2061–2080 and 2081–2100, respectively, comparing to the baseline WP of 0.82 kg m –3 . Under SSP585 for 2081–2100, the simulated WP declined from 0.19 kg m –3 at 100 % irrigation levels to 0.04 kg m –3 at 50 % irrigation levels. These projections suggests that adequate irrigation is the key to ensure cotton production and moderate deficit irrigation can be applied to mitigate the negative impacts of climate change on cotton yield in a hyper–arid area. • Deficit irrigation reduced cotton yield by 3 %-38 % under climate change. • Deficit irrigation increased cotton water productivity by 4.8 %-12.8 % under SSP245 scenario. • Water productivity decreased by 8.5 %-22 % under SSP585 for the 2081–2100. • The optimal cotton water use was 479–500 mm under climate change in hyper–arid areas.
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 ».