Calibration and Validation of CERES-Wheat (Triticum Aestivum) Model for Simulating Fertilizer Application Rates in Management Zones
Notice bibliographique
Résumé
Precision agriculture requires precise urea fertilizer application rates for site-specific applications to maximize crop yield across the management zones (MZs). A two years (2010-11 to 2011-12) field experimental study was conducted at Postgraduate Agricultural Research Station, University of Agriculture, Faisalabad, Pakistan to simulate urea fertilizer application rates for four MZs using CERES-Wheat (Triticum Aestivum) model. The model was calibrated using grain yield data of urea fertilizer application rate of 247 kg-urea/ha during growing season of 2010-11 in MZ 1. It was validated against two years independent yield data sets for all treatments ranging from no urea application to 247 kg-urea/ha application in each MZ. The model simulations were found to be acceptable for calibration as well as validation period, as the model evaluation indicators showed root mean square error of 314 kg/ha having its range from 77 to 566 kg/ha, model efficiency of 66% ranging from 24 to 98%, mean percent difference of -4.83%, ranging from -9.93 to 3.70%, against all observed grain yield data in four MZs. Scenario simulations revealed that urea fertilizer application rates of 221, 210 , 208 and 197 kg-urea/ha simulated maximum wheat grain yield of 3679, 3582, 3689, 3690 kg/ha, in MZs of 1, 2, 3 and 4, respectively. These simulated urea fertilizer application might be used to maximize wheat grain yield for each MZs within the field. Furthermore, field verification should be required by applying the simulated urea fertilizer application rates in each MZ.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».