Using Simulation and Budget Models to Scale-Up Nitrogen Leaching from Field to Region in Canada
Notice bibliographique
Résumé
Efforts are underway at Agriculture and Agri-Food Canada (AAFC) to develop an integrated, nationally applicable, socioeconomic/biophysical modeling capability in order to predict the environmental impacts of policy and program scenarios. This paper outlines our Decision Support System (DSS), which integrates the IROWCN (Indicator of the Risk of Water Contamination by Nitrogen) index with the agricultural policy model CRAM (Canadian Regional Agricultural Model) and presents an outline of our methodology to provide independent assessments of the IROWCN results through the use of nitrogen (N) simulation models in select, data-rich areas. Three field-level models--DSSAT, N_ABLE, and EPIC--were evaluated using local measured data. The results show that all three dynamic models can be used to simulate biomass, grain yield, and soil N dynamics at the field level; but the accuracy of the models differ, suggesting that models need to be calibrated using local measured data before they are used in Canada. Further simulation of IROWCN in a maize field using N_ABLE showed that soil-mineral N levels are highly affected by the amount of fertilizer N applied and the time of year, meaning that fertilizer and manure N applications and weather data are crucial for improving IROWCN. Methods of scaling-up simulated IROWCN from field-level to soil-landscape polygons and CRAM regions are discussed.
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 | 0,001 |
| 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 ».