Evaluation of the Simple Algorithm for Yield Estimate Model in Winter Wheat Simulation under Different Irrigation Scenarios
Notice bibliographique
Résumé
Winter wheat (Triticum aestivum L.) is one of the major grain crops grown in Guanzhong Plain, China. Rapid and accurate crop growth and yield estimation are important for agricultural monitoring and policy decision‐making. Crop model simulation is an effective way to provide objective growth and yield forecast. In this study, we investigated the applicability of the Simple Algorithm for Yield Estimate (SAFY) model for estimating winter wheat dry shoot biomass (MS,d) and grain yield, using two growing seasons field data from different irrigation scenarios. Results showed that the leaf area index (LAI) could be reasonably well simulated, with a minimum root mean square estimate (RMSE) of 0.11. The water stress intensity of each irrigation scenario was well accounted for through stress factor of effective radiation use efficiency. Good accuracy were achieved for MS,d simulation in both calibration (RMSE = 0.054–0.183 kg m−2) and validation (RMSE = 0.146 kg m−2) datasets, but showed a general overestimation during later growth stages. The grain yield was well estimated with a relative error of 1.9% to 16.7% in 2013 to 2014 and 0.1% to 16.7% in 2014 to 2015. The comparison between estimated and measured yield of all irrigation scenarios were robust in both seasons, with the minimum RMSE and MRE of 35.0 g m−2 and 4.7%, respectively. This work demonstrates the potential of a simple crop model for estimating biomass and yield only by calibrate the LAI without further in situ data, and prefigures assimilation application with remote sensing data in future. Core Ideas The SAFY model was evaluated in different irrigation scenarios. The variation of LAI was highly sensitive to leaf partition parameters. SAFY effectively simulated wheat biomass and yield under various irrigation scenarios. A general overestimation on biomass was noted during later growth stages.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».