MétaCan
Menu
Retour à la cohorte
Enregistrement W3188808628 · doi:10.1029/2021wr030211

Assessing Different Plant‐Centric Water Stress Metrics for Irrigation Efficacy Using Soil‐Plant‐Atmosphere‐Continuum Simulation

2021· article· en· W3188808628 sur OpenAlexaff
Jingwen Zhang, Kaiyu Guan, Bin Peng, Ming Pan, Wang Zhou, R. F. Grant, Trenton E. Franz, Daran R. Rudnick, Derek M. Heeren, Andrew E. Suyker, Yi Yang, Genghong Wu

Notice bibliographique

RevueWater Resources Research · 2021
Typearticle
Langueen
DomaineEnvironmental Science
ThématiquePlant Water Relations and Carbon Dynamics
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNational Institute of Food and Agriculture
Mots-clésEnvironmental scienceIrrigationIrrigation schedulingWater contentAgricultural engineeringDeficit irrigationWater scarcityWater resourcesEnvironmental engineeringWater resource managementSoil waterIrrigation managementEngineeringSoil scienceAgronomyEcology

Résumé

récupéré en direct d'OpenAlex

Abstract Understanding plant water stress (PWS) in the soil‐plant‐atmosphere‐continuum (SPAC) that connects water supply from soil, water demand from atmosphere, and plant self‐regulation is a prerequisite for efficient irrigation in response to water scarcity. Currently, PWS can be defined in various ways, for example, based on environmental factors and/or plant‐centric metrics. The environment‐based metrics usually do not take plants into consideration. Regarding the existing plant‐centric metrics, their interconnections and abilities to capture the physical water constraints from both soil water supply and atmospheric water demand are still unclear. This research investigates the theoretical foundations behind different PWS metrics, and assesses their efficacy and potentials for irrigation scheduling. This study first investigated the interconnections among different PWS metrics and the co‐regulation of soil moisture and vapor pressure deficit (VPD) on the plant‐centric metrics through an advanced process‐based model, ecosys . We then use ecosys to test different PWS metrics’ performance in guiding irrigation in terms of water use, maize yield, and economic profits. The case study was conducted at sites across a dramatic rainfall gradient in Nebraska, the largest irrigation state in the United States Corn Belt. The ecosys simulation indicates that canopy water potential and stomatal conductance ( g s ) are the most effective plant‐centric metrics in the SPAC system in indicating PWS. In addition, our findings show that using the plant‐centric metrics‐based irrigation schemes, which capture the co‐regulation of soil moisture and VPD, can improve producers’ economic profits through water savings.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,040
Score d'incertitude au seuil0,080

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,063
Tête enseignante GPT0,326
Écart entre enseignants0,263 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations29
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWater Resources ResearchMême sujetPlant Water Relations and Carbon DynamicsTravaux en français237 207