MétaCan
Menu
Retour à la cohorte
Enregistrement W4411569885 · doi:10.3390/land14071331

Superior Wheat Yield and Profitability in Conservation Agriculture with Diversified Rotations vs. Conventional Tillage in Cold Arid Climates

2025· article· en· W4411569885 sur OpenAlexaff
Harun Cicek, Mia Schoeber, İrfan Gültekin, Alexander Heer, Fevzi Partigöç, Rifat Zafer Arısoy, Şeref Aksoyak, Fatih Özdemir, Amritbir Riar

Notice bibliographique

RevueLand · 2025
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueRice Cultivation and Yield Improvement
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésTillageAridProfitability indexYield (engineering)AgroforestryAgronomyAgricultureConservation agricultureDryland farmingEnvironmental scienceGeographyAeolian processesBusinessEcologyBiology

Résumé

récupéré en direct d'OpenAlex

Wheat productivity in dry regions of the world such as Central Asia and the Mediterranean is experiencing significant declines due to erratic weather events. Conservation agriculture (CA) has been promoted as a promising alternative for drylands to address climate-change-induced water scarcity and soil degradation. A long-term experiment in the Central Anatolian region of Türkiye compared CA and conventional tillage (CT) using diversified two- and four-year rotations. All rotations outperformed the wheat–wheat control, with the highest yields in wheat–fallow and wheat–lentil rotations. Four-year rotations generally yielded more than two-year ones under both CA and CT, except wheat–fallow and wheat–lentil, which matched four-year results. In two-year-rotations, yield differences between CA and CT were largest in wheat–wheat and wheat–lentil, with CA increasing yields by around 50% and 60% for chickpea and lentil, respectively. Chickpea and lentil also had a similar positive effect on wheat yield in four-year rotations. All rotations were more profitable under CA than CT, with chickpea and lentil rotations achieving the highest gross margin. Soil organic matter content was significantly greater under CA compared to CT within each two-year crop rotation. Our study clearly demonstrated the advantages of CA over CT in terms of production, soil quality and economics.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,059
Score d'incertitude au seuil0,988

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,213
Écart entre enseignants0,198 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLandMême sujetRice Cultivation and Yield ImprovementTravaux en français237 207