Upscaling modelled crop yields to regional scale: A case study using DSSAT for spring wheat on the Canadian prairies
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Huffman, T., Qian, B., De Jong, R., Liu, J., Wang, H., McConkey, B., Brierley, T. and Yang, J. 2015. Upscaling modelled crop yields to regional scale: A case study using DSSAT for spring wheat on the Canadian prairies. Can. J. Soil Sci. 95: 49–61. Dynamic crop models are often operated at the plot or field scale. Upscaling is necessary when the process-based crop models are used for regional applications, such as forecasting regional crop yields and assessing climate change impacts on regional crop productivity. Dynamic crop models often require detailed input data for climate, soil and crop management; thus, their reliability may decrease at the regional scale as the uncertainty of simulation results might increase due to uncertainties in the input data. In this study, we modelled spring wheat yields at the level of numerous individual soils using the CERES-Wheat model in the Decision Support System for Agrotechnology Transfer (DSSAT) and then aggregated the simulated yields from individual soils to regions where crop yields were reported. A comparison between the aggregated and the reported yields was performed to examine the potential of using dynamic crop models with individual soils in a region for the simulation of regional crop yields. The regionally aggregated simulated yields demonstrated reasonable agreement with the reported data, with a correlation coefficient of 0.71 and a root-mean-square error of 266 kg ha-1 (i.e., 15% of the average yield) over 40 regions on the Canadian prairies. Our conclusion is that aggregating simulated crop yields on individual soils with a crop model can be reliable for the estimation of regional crop yields. This demonstrated its potential as a useful approach for using crop models to assess climate change impacts on regional crop productivity.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 découle