Comparison of Five Wheat Models Simulating Phenology under Different Sowing Dates and Varieties
Notice bibliographique
Résumé
Core Ideas We compared the mechanism and capacity of five wheat phenology models by varied phases. Models reproduced growing phases well by suitable sowing dates and local varieties. Simulations were unsatisfactory under late sowing dates and colder conditions. Crop phenology is closely related to yield formation and crop management. Phenology module is one of the essential components that affect the call of model parameters and performance of whole model. We analyzed different algorithms of five widely used wheat models (WOFOST, CERES‐Wheat, APSIM‐Wheat, SPASS, and WheatSM) and studied the simulation accuracy by field experimental data with three varietal types under varied sowing dates in four sites in the North China plain. Simulation results were in good agreement with the observations in terms of jointing, flowering, and maturity stage. The absolute root mean square error (RMSEa) value for emergence to jointing (E‐J) phase was 3.7 d for WheatSM and >5 d for CERES, APSIM, and SPASS. The RMSEa for the sowing to emergence (S‐E) phase was approximately 4 d, but the normalized root mean square error was >30% for APSIM and CERES. The RMSEa was larger (4.8 d) for SPASS from jointing to flowering (J‐F) compared with other models (2.8–3.7 d). It ranged from 3 to 4 d from flowering to maturity (F‐M) for all models. The five models yielded better predictions in warmer growing conditions than in colder conditions. The RMSEa increased with delayed sowing dates for five models, with average values of 2.7, 3.7, and 5.2 for suitable sowing, sowing delayed by 10 and 20 d, respectively. The five models could well reproduce different growing phases under the conditions of suitable sowing dates and with local varieties, but the performances of models was unsatisfactory, especially under late sowing dates.
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 | 0,001 | 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 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 ».