Regional Weather Variations and Yields Achieved in Soybean Crops
Notice bibliographique
Résumé
Monitoring weather conditions during soybean cultivation is essential in agricultural planning. The variation of these conditions, such as temperature, precipitation, relative humidity and soil moisture directly influence the productive performance of crop.With this, the objective of the work was to verify the effects of weather conditions on the soybean yield, carrying out the survey of the minimum, maximum and average temperature and the total precipitation during the cultivation of the soybean and collecting the data of productivity reached in the agricultural harvests of 2017/2018, 2018/2019 and 2019/2020 of soybeans in a commercial area with 15.5 ha, located in the Céu Azul City, Paraná State, Brazil. Regarding the results for the three soybean harvests, the air temperature remained adequate for the development of the crop in most of the cycle. And the values observed for precipitation indicated the occurrence of well-distributed rainfall in the 2019/2020 harvest, and in the 2017/2018 harvest there was irregular rainfall distribution, however there were no periods without precipitation. However, the large precipitation deficit occurred in the 2018/2019 harvest, where the lack of rain occurred in 28 days, between 12/03/2018 and 12/30/2018, indicating a drought in this period. The soybean yield obtained in the area in the 2019/2020 harvest was 3.727 t ha-1, higher than the other two soybean harvests, being that 2018/2019 harvest reaching the lowest value, 2.394 t ha-1, indicating the influence of the weather in the soyben yield achieved.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 source (Gemma direct ou Codex distillé), 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 ».