Simulating maize yield at county scale in southern Ontario using the decision support system for agrotechnology transfer model
Notice bibliographique
Résumé
The objectives of this study were to evaluate the ability of the decision support system for agrotechnology transfer (DSSAT) CERES-Maize model to simulate the response to applied nitrogen and soil water storage for maize (Zea mays L.) yields in Woodslee, Ontario. A second objective was to evaluate the CERES-Maize module for maize yield in five southern Ontario counties. The calibrated CERES-Maize module was used in 117 maize yield simulations involving combinations of 45 regional soil datasets and 35 weather datasets covering the five counties. The model evaluation showed a good agreement between the simulated and measured grain yields (i.e., index of agreement, d ≥ 0.96; modeling efficiency, EF ≥ 0.83; normalized root-mean-square error, nRMSE ≤ 15%). The model showed a large deviation using the default soil parameters from 0 to 0.4 m. A sensitivity analysis was made for three soil water parameters, and the calibrated soil parameters showed moderate to good agreements for total soil water storage in the 0–1.1 m soil profile. The model resulted in moderate to good agreement between the simulated and the measured above-ground biomass across growing seasons. There were significant yield differences across the soil types. Drought periods in August 2010 resulted in lower yields in 2010 compared with 2011 and 2012. The simulated average maize yields at each county matched well with the measured data for 2010–2012 except for lower estimated yields in Lambton county in 2010. We concluded that DSSAT CERES-Maize can adequately simulate regional maize yields using the CERES-Maize module calibrated to regional soil and daily weather databases.
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 ».