Yield and Production Gaps in Rainfed Wheat, Barley, and Canola in Alberta
Notice bibliographique
Résumé
Improving crop yields are essential to meet the increasing pressure of global food demands. The loss of high quality land, the slowing in annual yield increases of major cereals, increasing fertilizer use, and the effect of this on the environment all indicate that we need to develop new strategies to increase grain yields with less impact on the environment. One strategy that could help address this concern is by narrowing the yield gaps of major crops using improved genetics and management. The objective of this study was to determine wheat (Triticum spp. L.), barley (Hordeum vulgare L.), and canola (Brassica napus L.) yields and production gaps in Alberta. We used 10 years of data (2005-2014) to understand yield variability and input efficiency at a farmers' specified level of management, and the yield potential under optimal management to suggest appropriate pathways for closing yield gaps. Significant management gaps were observed between attainable and actual yields of rainfed wheat (24%), barley (25%), and canola (30%). In addition, genetic gaps (i.e., gaps due to genetic selection) in wheat, barley, and canola were 18, 12, and 5%, respectively. Genetic selection with optimal crop management could increase yields of wheat, barley, and canola significantly, with estimated yield gains of 3.42, 1.92, and 1.65 million tons, respectively, each year under rainfed conditions in Alberta. This paper identifies yield gaps and offers suggestions to improve efficiency in crop production.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».