Defining optimal soybean seeding rates and associated risk across North America
Notice bibliographique
Résumé
Abstract Soybean [ Glycine max (L.) Merr.] seeding rate research across North America is typically conducted in small geo‐political regions where environmental effects on the seeding rate × yield relationship are minimized. Data from 211 individual field studies (∼21,000 data points, 2007–2017) were combined from across North America ranging in yield from 1,000– 7,500 kg ha −1 . Cluster analysis was used to stratify each individual field study into similar environmental (soil × climate) clusters and into high (HYL), medium (MYL), and low (LYL) yield levels. Agronomically optimal seeding rates (AOSR) were calculated and Monte Carlo risk analysis was implemented. Within the two northern most clusters the AOSR was higher in the LYL followed by the MYL and then HYL. Within the farthest south cluster, a relatively small (±15,000 seeds ha −1 ) change in seeding rate from the MYL was required to reach the AOSR of the LYL and HYL, respectively. The increase in seeding rate to reach the LYL AOSR was relatively greater (5x) than the decrease to reach the HYL AOSR within the northern most cluster. Regardless, seeding rates below the AOSR presented substantial risk and potential yield loss, while seeding rates above provided slight risk reduction and yield increases. Specific to LYLs and MYLs, establishing and maintaining an adequate plant stand until harvest maximized yield regardless of the seeding rate, while maximizing seed number was important with lower seeding rates. These findings will help growers manage their soybean seed investment by adjusting seeding rates based upon the productivity of the environment.
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 ».