MétaCan
Menu
Retour à la cohorte
Enregistrement W934153963 · doi:10.1007/s12571-015-0477-2

The limits of increasing food production with irrigation in India

2015· article· en· W934153963 sur OpenAlexafffund
Mikhail Smilovic, Tom Gleeson, Stefan Siebert

Notice bibliographique

RevueFood Security · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueWater resources management and optimization
Établissements canadiensUniversity of VictoriaMcGill University
Organismes subventionnairesRheinische Friedrich-Wilhelms-Universität BonnCanadian Water NetworkVictoria UniversityUniversity of VictoriaMcGill University
Mots-clésIrrigationYield gapEnvironmental scienceFood securityAgricultureProduction (economics)Agricultural engineeringFarm waterYield (engineering)Crop yieldCropAgricultural productivityAgronomyWater resource managementWater conservationGeographyEconomicsEngineeringBiology

Résumé

récupéré en direct d'OpenAlex

Growing populations and dietary shifts to include higher proportions of meat are projected to double global food demand by 2050. Previous global studies have proposed and evaluated possible solutions by closing agricultural yield gaps, defined as the difference between current and potential crop yields. We compliment previous studies by developing a method for more accurately calculating potential changes in cereal grain production under different irrigation scenarios, explicitly incorporating yield differences associated with different sources of irrigation. Irrigating with groundwater often leads to higher crop yields than irrigating with surface water because of the greater facility to tailor both the volumes of water and the timing of application. Two possible scenarios for increasing production in India are examined, the first where all non-irrigated fields are irrigated proportionally to the State-specific distribution of irrigation sources, and the second where all non-irrigated fields are irrigated with groundwater: Rice production increases by 14 and 25 % in scenarios 1 and 2 respectively, but wheat production increases by only 3 % in both scenarios. Increased irrigation water consumption from irrigating fields that are currently non-irrigated is estimated at 31 % for rice and 3 % for wheat using the Global Crop Water Model. A third scenario estimates the potential loss in production without the use of irrigation: rice would be 75 % and wheat 51 % of current production. Our methodology and results can help policy makers estimate the current and potential contribution of irrigation sources to agricultural production and food security in India and can with facility be applied elsewhere.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,034

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 GPT0,196
Écart entre enseignants0,180 · 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 source (Gemma direct ou Codex distillé), 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

Citations36
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFood SecurityMême sujetWater resources management and optimizationTravaux en français237 207