Agricultural energy transition pathways: Differential impacts of fine and coarse cereals on GHG emissions in India
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Understanding how agricultural energy use and cereal production choices—particularly between fine and coarse cereals—shape greenhouse gas (GHG) emissions is crucial for designing effective mitigation strategies in light of agriculture’s major contribution to national emissions and growing climate-induced productivity concerns. This study investigates the dynamic relationships between these factors in India using an Autoregressive Distributed Lag (ARDL) model on data spanning 1975-2019. Pre-analysis (Unit root, an ideal lag length, and co-integration testing) and post-analysis (serial correlation, heteroscedasticity, and recursive residuals) assumptions for ARDL model estimation were tested which came aligned with the research questions. The model robustness statistical diagnostic tests CUSUM (cumulative sum), CUSUMSQ (cumulative sum of squares), and variance decomposition testing were carried out and found to be satisfactory. The study aimed to provide comprehensive analysis of how different cereal types i.e. fine versus coarse cereals influence agricultural energy-emissions relationship and their long run effects on agricultural production-emission scenario of India. Our analysis reveals significant differences in the emissions impacts of different cereal types: while rice and wheat production contribute positively to emissions in the short run (0.06% and 0.01% respectively), coarse cereals demonstrate a substantial negative impact (-2.08%) in the long run. The energy-emissions relationship shows increasing coupling over time, with elasticity rising from 0.02% in the short run to 1.06% in the long run. Variance decomposition analysis identifies rice production as the dominant contributor to emissions variability, accounting for 34.43% of future fluctuations. These findings suggest that strategic crop diversification, particularly increased cultivation of coarse cereals, could significantly reduce agricultural emissions while maintaining food security. The study recommends a three-pronged approach i.e., investing in energy-efficient agricultural technologies, developing policy frameworks to incentivize coarse cereal adoption, and strengthening institutional mechanisms for technology transfer. These insights contribute to the development of targeted policies for sustainable agricultural energy transition in India.
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.
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) | 0,001 | 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 découle