Predictions of soybean harvest index evolution and evapotranspiration using STICS crop model
Notice bibliographique
Résumé
Abstract In the last century, soybean [ Glycine max (L.) Merr.] genetic improvements have resulted in increased yield partly due to an increase in harvest index (HI). To account for these genetic improvements, an update of the soybean calibration of the STICS soil‐crop model was carried out. The model was calibrated and evaluated for two sets of soybean plant parameters using datasets from the Ottawa region (ON, Canada); a low HI cultivar calibrated using datasets (1993–2008) of cultivars of maturity groups (MGs) 00 and 0 and a high HI cultivar calibrated with more recent datasets (2016–2017) of cultivars of MGs 0 and I. The model succeeded in reproducing the HI increase. Leaf area index (LAI), shoot biomass, and yield were also well predicted for the high HI cultivars with a normalized root mean square error (NRMSE) of 34, 10, and 14%, respectively, which was a great improvement compared to the default parametrization proposed in STICS for soybean. Under rainfed conditions, accurate simulation of evapotranspiration is a critical point to achieve good model performance. A comparison of the two crop evapotranspiration approaches available in STICS was also carried out. It showed that the resistive approach (NRMSE of 36%) was more efficient than the crop coefficient approach (NRMSE of 67%). This good performance of the model in predicting evapotranspiration allowed the model to perform equally well under water stress and non‐water stressed conditions. The model could therefore be used in future studies to simulate the impact of water stress on soybean growth in eastern Canada.
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 | 0,000 | 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 ».