Simulating Timothy Growth and Nutritive Value with Observed and Synthetic Weather Data
Notice bibliographique
Résumé
Stochastic weather generators and crop growth models are used to explore the impact of climate change on crop development and yield. Synthetic weather data from the stochastic weather generator AAFC‐WG have been evaluated with annual crop models but not with a perennial grass model. Our objective was to evaluate synthetic weather data from AAFC‐WG using a perennial crop model, the Canadian Timothy Model (CATIMO), at five sites representing different agro‐ecological regions of Canada. Synthetic 300‐yr weather data from AAFC‐WG and observed 30‐yr weather data, both for the period 1961 to 1990, were used to simulate dates of growth onset and harvests, and yield and nutritive value (neutral detergent fiber [NDF] concentration and in vitro digestibility of NDF [dNDF]) of timothy (Phleum pratense L.) grown in cycles of five consecutive years before reseeding and with two harvests per year. Dates of growth onset and harvests simulated from synthetic weather data were close to those simulated from observed weather data, with normalized root mean square errors (NRMSEs) of 4.2% for dates of growth onset and <0.6% for harvest dates. Simulated dry matter yield (NRMSE < 4.5%), NDF concentration (NRMSE < 1.1%), and dNDF (NRMSE < 0.4%) with synthetic and observed weather data were also very close. Synthetic weather data generated by AAFC‐WG accurately reproduced weather conditions of observed data for timothy development, yield, and nutritive value, confirming that they can be used with the CATIMO model to predict the impact of climate change at several sites in Canada.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».