A Structured Procedure for Assessing How Crop Models Respond to Temperature
Notice bibliographique
Résumé
Crop simulation models are widely used to analyze temperature effects on crop growth, development, and yield. Unfortunately, temperature responses of models often are not examined critically to ensure that a model is appropriate for a given research application. This paper describes a procedure for assessing how models respond to temperature. The procedure treats major processes in a balanced fashion but does not require access to source code. The results are easily interpretable by nonmodelers and readily documented and employed with different models. Sensitivity analyses are run using standardized conditions of nonlimiting water and N with regimes of constant mean temperatures from 3 to 40°C and daily range of 10°C. Daily model outputs define responses that are grouped in seven categories: crop mass (including economic yield), phenology, reproductive growth, canopy development, root growth, resource use efficiency, and water balance. To avoid interactions of duration of life cycle with growth, several responses are assessed before partitioning to reproductive growth reduces total aboveground biomass. Emphasis is on graphical analysis of individual variables vs. mean temperature, but cardinal temperatures and a response index are also estimated. When applied to the CSM‐CERES‐Sorghum and CSM‐CROPGRO‐Drybean models, the procedure readily identified differences in temperature adaptation of the two crops. Various examples were found where modeled responses appeared to differ from data from field or controlled‐environment studies. The proposed procedure will require adjustments for specific situation but provides a foundation for assessing modeled responses to temperature in a structured and reproducible fashion.
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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 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 ».