Simulating maize (<i>Zea mays</i> L.) growth and yield, soil nitrogen concentration, and soil water content for a long-term cropping experiment in Ontario, Canada
Notice bibliographique
Résumé
Liu, S., Yang, J. Y., Drury, C. F., Liu, H. L. and Reynolds, W. D. 2014. Simulating maize (Zea mays L.) growth and yield, soil nitrogen concentration, and soil water content for a long-term cropping experiment in Ontario, Canada. Can. J. Soil Sci. 94: 435–452. A performance assessment of the Decision Support Systems for Agrotechnology Transfer (DSSAT) model (v4.5) including the CERES-Maize and CENTURY modules was conducted for continuous maize production under annual synthetic fertilization (CC-F) and no fertilization (CC-NF) using field data from a long-term (53-yr) cropping experiment in Ontario, Canada. The assessment was based on the accuracy with which DSSAT could simulate measured grain yield, above-ground biomass, leaf area index (LAI), soil inorganic nitrogen concentration, and soil water content. Model calibration for maize cultivar was achieved using grain yield measurements from CC-F between 2007 and 2012, and model evaluation was achieved using soil and crop measurements from both CC-F and CC-NF for the same 6-yr period. Good model–data agreement for CC-F grain yields was achieved for calibration (index of agreement, d=0.99), while moderate agreement for CC-NF grain yields was achieved for evaluation (d=0.79). Model–data agreement for above-ground biomass was good (d=0.83–1.00), but the model consistently underestimated for CC-F and overestimated for CC-NF. DSSAT achieved good model–data agreement for LAI in CC-F (d=0.82–0.99), but moderate to poor agreement in CC-NF (d=0.46–0.64). The CENTURY module of DSSAT simulated soil inorganic nitrogen concentrations with moderate to good model–data agreement in CC-F (d=0.74–0.88), but poor agreement in CC-NF (d=0.40–0.50). The model–data agreement for soil water content was moderate in 2007 and 2008 for both treatments (d=0.60–0.76), but poor in 2009 (d=0.46–0.53). It was concluded that the DSSAT cropping system model provided generally good to moderate simulations of continuous maize production (yield, biomass, LAI) for a long-term cropping experiment in Ontario, Canada, but generally moderate to poor simulations of soil inorganic nitrogen concentration and soil water content.
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 | 0,000 |
| 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 ».