RZWQM2 Simulated Drip Fertigation Management to Improve Water and Nitrogen Use Efficiency of Maize in a Solar Greenhouse
Notice bibliographique
Résumé
The drip fertigation technique is a modern, efficient irrigation method to alleviate water scarcity and fertilizer surpluses in crop production, while the precise quantification of water and fertilizer inputs is difficult for drip fertigation systems. A field experiment of maize (Zea mays L.) in a solar greenhouse was conducted to meet different combinations of four irrigation rates (I125, I100, I75 and I50) and three nitrogen (N) fertilizer rates (N125, N100 and N75) under surface drip fertigation (SDF) systems. The Root Zone Water Quality Model (RZWQM2) was used to assess the response of soil volumetric water content (VWC), leaf area index (LAI), plant height and maize yield to different SDF managements. The model was calibrated by the I100N100 scenario and validated by the remaining five scenarios (i.e., I125N100, I75N100, I50N100, I100N125 and I100N75). The predictions of VWC, LAI and plant height were satisfactory, with relative root mean square errors (RRMSE) < 9.8%, the percent errors (PBIAS) within ±6%, indexes of agreement (IoA) > 0.85 and determination of coefficients (R2) > 0.71, and the relative errors (RE) of simulated yields were in the range of 1.5–7.2%. The simulation results showed that both irrigation and fertilization had multiple effects on water and N stresses. The calibrated model was subsequently used to explore the optimal SDF scenarios for maximizing yield, water use efficiency (WUE) or nitrogen use efficiency (NUE). Among the SDF managements of 21 irrigation rates × 31 N fertilizer rates, the optimal SDF scenarios were I120N130 for max yield (10516 kg/ha), I50N70 for max WUE (47.3 kg/(ha·mm)) and I125N75 for max NUE (30.2 kg/kg), respectively. The results demonstrated that the RZWQM2 was a promising tool for evaluating the effects of SDF management and achieving optimal water and N inputs.
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 ».