Growth and Leaf Area Index Simulation in Maize (<i>Zea mays</i> L.) Under Small-Scale Farm Conditions in a Sub-Saharan African Region
Notice bibliographique
Résumé
Different crop models including MAIZE Ceres, STICS and other approaches have been used to simulate leaf area index (LAI) in maize (Zea mays L.). These modeling tools require genotype-specific calibration procedures. Studies on modeling LAI dynamics under optimal growth conditions with yields close to the yield potential have remained scarce. In the present study, logistic and exponential approaches have been developed and evaluated for the simulation of LAI in maize in a savannah region of the DR-Congo. Data for the development and the evaluation of the model were collected manually by non-destructive method from small farmers’ field. The rate of expansion of the leaf surface and the rate of change of leaf senescence were also simulated. There were measurable variations among sites and varieties for the simulated height of maize plants. At all sites, the varieties with short plants were associated with expected superior performance based on simulation data. In general, the model underestimates the LAI based on observed values. LAI values for the genetically improved maize varieties (Salongo 2, MUS and AK) were greater than those of the unimproved local variety (Local). There were significant differences for K, b, Ti, LAI, Tf, and parameters among models and varieties. In all sites and for all varieties, the growth rate (b) was higher, while the rate of senescence (a) was lower compared to STICS estimates.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».