MétaCan
Menu
Retour à la cohorte
Enregistrement W2346843728 · doi:10.21273/hortsci.48.7.863

Long-term Yield of Horticultural Crops in Wisconsin in Relation to Seasonal Climate in Comparison with Southern Ontario, Canada

2013· article· en· W2346843728 sur OpenAlexaffabout
Michael Tecle Tesfaendrias, Mary Ruth McDonald, J. Warland

Notice bibliographique

RevueHortScience · 2013
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueClimate change impacts on agriculture
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésYield (engineering)PrecipitationGrowing seasonCropAgronomyEnvironmental scienceGeographyBiologyMeteorology

Résumé

récupéré en direct d'OpenAlex

The relationship between long-term weather and yield of 11 horticultural crops and one field crop in Wisconsin was determined for a 55-year period (1950–2005). The relationships among weather parameters and yield in Wisconsin were also compared with associations between weather and yields in Ontario, Canada, from a previous study. The number of days in a growing season with maximum temperatures 30 °C or greater (hot days) was negatively correlated with yields of beet for canning ( r 2 = 0.15), green pea ( r 2 = 0.16), onion ( r 2 = 0.08), and sweet corn for processing ( r 2 = 0.16) in Wisconsin. Hot days were also negatively correlated with yield of green pea ( r 2 = 0.16) in Ontario, Canada. Growing season precipitation in Wisconsin was positively correlated with yields of beet for canning ( r 2 = 0.18) and green pea ( r 2 = 0.09). An increase in yields of beet for canning in Wisconsin and green pea from Ontario was also observed with an increase in number of days with rainfall during the growing season ( r 2 = 0.12 and 0.15, respectively). Monthly minimum and maximum temperatures and hot days had an effect on vegetable yields in Wisconsin. A high number of days with precipitation in May and July was associated with yields of most vegetables and grain corn in Wisconsin. These results indicated the importance of the total and frequency of seasonal precipitation and the negative effect of exposure of crops to extreme temperatures on yields of vegetable crops.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,129
Score d'incertitude au seuil0,719

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,028
Tête enseignante GPT0,225
Écart entre enseignants0,198 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHortScienceMême sujetClimate change impacts on agricultureTravaux en français237 207