Application of DSSAT Model to Simulate Corn Yield under Long-Term Tillage and Residue Practices
Notice bibliographique
Résumé
Long-term (1991-2013) field experiments were conducted to study the effects of different tillage and residue management practices on grain corn production in eastern Canada. Three different tillage practices, namely conventional tillage (CT), reduced tillage (RT), and no tillage (NT), along with two residue management practices, namely with residue (R) and without residue (NR), were considered. Field measurements of grain yield, biomass, soil organic carbon (SOC), soil moisture, and mineral nitrogen were used to evaluate the performance of the DSSAT model and to understand the impacts of long-term tillage and residue management practices. The observed corn yield, biomass, LAI, and nitrate-nitrogen (NO3-N) were not found to be significantly different under the various tillage and residue practices. The observed soil moisture showed a significant difference in the upper 10 cm soil layer. The SOC pool at 0-20 cm depth was reduced by 9.5% for CT and increased by 17.3% and 7.6% for RT and NT treatments, respectively. The DSSAT model was able to simulate corn and biomass yield, LAI, soil moisture, and SOC with RMSE ranging from 2% to 31%, indicating reasonable model performance. The model did not provide accurate results for NO3-N and soil moisture simulations, with RMSE ranging from 34% to 78%. Further improvements in the model are needed to better simulate soil moisture and N dynamics under different tillage and residue practices.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».