A Comparative Analysis of Post-Harvesting Strategies: A Case Study on Rice Straw Management in Arkansas, USA, and Haryana, India
Notice bibliographique
Résumé
Both Punjab, India, and Arkansas, USA have productive and expanding agricultural economies to feed domestic and export market demand, however, rice straw management presents itself as an environmental and agricultural management problem in both regions albeit in radically different ways. In Punjab, rice straw residue is most commonly burned in the field after harvest so that farmers can prepare their fields quickly for the next crop cycle, while also managing labor constraints. This behavior has wide-ranging negative environmental consequences, such as air pollution, greenhouse gas emissions, and soil degradation. Although the government in Punjab has banned burning and promoted alternative crop residue management practices such as composting and bioenergy production, the challenges faced by farmers in terms of cost of labor, available machinery, and infrastructure make burning of rice straw another readily apparent option. On the other hand, farmers in Arkansas employ more sustainable management practices with more regulation from the state departments of agriculture, including tillage, baling, and controlled flooding, which reduce the opportunity for open-field burning. Even though some pollution appears to occur, policies at state and national levels and within limitations on production by farmers help to limit harm from straw burning in the United States with more consequence. Comparatively, the difference in logistics illustrates how socio-economics help farmers make decisions on managing agricultural by-products and demonstrates the need for place-based policy, appropriated funding and collaboration with farmers in both regions to implement sustainable management practices for crop residue.
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 | 0,001 | 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) | 0,000 | 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 ».