Estimation of Sugar Beet Yield and its Dry Matter Partitioning Under Different Irrigation and Nitrogen Levels
Notice bibliographique
Résumé
In this study, a simple logistic model was developed for estimating total dry matter of sugar beet under different irrigation and nitrogen levels. The experiment was conducted using line source sprinkler irrigation in 2013 and furrow irrigation in 2014. Irrigation treatments were from 44% to 130% of full irrigation and applied nitrogen treatments ranged from 0 to 240 kg N ha-1. Results showed that the model was more accurate in predicting total dry matter at harvest date with the Normalized Root Mean Square Error (NRMSE) amounting to almost 10 percent. After total dry matter estimation, a model was needed for dry matter partitioning between different organs of sugar beet. To achieve this goal, another logistic model was developed and was compared with three revised models. Finally, white sugar content of root dry matter was estimated using a quadratic equation as a function of applied water and nitrogen. Validation results indicated that total and root dry matters, and white sugar yield were estimated fairly well. Results showed that excessive water had negative effects on total dry matter and root dry matter. Also, excessive nitrogen affected root dry matter negatively too, but even the excess had positive effects on total dry matter. In contrast to common belief, our results showed that drought stress reduced both ratios of root to leaf, and root to shoot dry matter.
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 | 0,000 |
| 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 ».