Direct assimilation of measured soil water content in Root Zone Water Quality Model calibration for deficit‐irrigated maize
Notice bibliographique
Résumé
Abstract Correct soil water simulation is critical for water balance and plant growth in agricultural systems. Crop production simulation errors have often been attributed to a lack of accuracy in soil water content (SWC) estimates. However, only a few studies have quantified the effects of SWC estimate errors on crop production and evapotranspiration (ET), especially under different irrigation treatments. The objective of this study was to investigate the impacts of direct assimilation of measured SWC during model calibration for deficit irrigated maize ( Zea mays L.) on simulated ET, leaf area index (LAI), biomass, and yield. The CERES‐Maize model within the Root Zone Water Quality Model (RZWQM) was calibrated using the automatic parameter estimation (PEST) software. Simulation results showed that, using PEST‐optimized crop parameters, RZWQM was able to adequately predict crop yield (relative root mean squared error, rRMSE, of 4.8%) and biomass (rRMSE of 7.1%) in response to irrigation levels, in spite of the bias in SWC and ET simulation. However, with the same crop parameters but replacing simulated SWC with measured data, simulations of crop yield and biomass became worse, with higher rRMSE values (14.5% for yield and 21.5% for biomass). This unexpected model performance with SWC assimilation was mainly associated with the water addition and removal from the soil, which was improved only by recalibration of both soil and crop parameters. This study suggested compensating effects between soil and crop parameters during model calibration. Caution should be applied when using measured SWC as model inputs, especially under water stress conditions.
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 | 0,001 | 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 ».