Optimizing water and fertilizer management reduces carbon and water footprints for winter wheat production in China
Notice bibliographique
Résumé
The grand challenge for sustainable farming systems is to maintain agricultural productivity in a changing climate with water resource constraints. Here, we present a spatiotemporal footprint framework to optimize agricultural activities in winter wheat systems, based on a 30-year integrated assessment from 1991 to 2020 in China. During this period, agricultural activities in China's winter wheat production system emitted 66.6 × 10 6 t CO 2 eq yr -1 and consumed 112 × 10 9 m 3 yr -1 of water annually. The Huang-Huai-Hai Plain had high greenhouse gas emissions and water consumption, yet maintained relatively low product-level footprints. From 2001 to 2020, synergistic reductions in carbon and water footprints were achieved by optimizing fertilizer practices for yield improvement. Scenario-based mitigation analysis revealed that substituting organic alternatives for chemical fertilizers reduced emissions by 12%, while powering irrigation equipment with renewable energy lowered emissions by 7.0%, and improving irrigation efficiency reduced water consumption by 3%, relative to the baseline scenario. Together, precision fertilization and energy-efficient irrigation were highly impactful, reducing carbon emissions by up to 20% and being a practical strategy to enhance food security and environmental sustainability. • China's winter wheat emitted 66.6 Mt CO 2 eq yr -1 , consumed 112 km 3 water yr -1 . • Huang-Huai-Hai Plain had high wheat emissions and water use, low product footprints. • Fertilizer optimization and yield increases drove 2001-2020 synergistic reductions. • Scenarios: N cut/substitution, irrigation efficiency, renewable reduced footprints.
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 ».