A high-yielding traits experiment for modeling potential production of wheat: field experiments and AgMIP-Wheat multi-model simulations
Notice bibliographique
Résumé
Grain production must increase by 60% in the next four decades to keep up with the expected population growth and food demand. A significant part of this increase must come from the improvement of staple crop grain yield potential. Crop growth simulation models combined with field experiments and crop physiology are powerful tools to quantify the impact of traits and trait combinations on grain yield potential which helps to guide breeding towards the most effective traits and trait combinations for future wheat crosses. The dataset reported here was created to analyze the value of physiological traits identified by the International Wheat Yield Partnership (IWYP) to improve wheat potential in high-yielding environments. This dataset consists of 11 growing seasons at three high-yielding locations in Buenos Aires (Argentina), Ciudad Obregon (Mexico), and Valdivia (Chile) with the spring wheat cultivar Bacanora and a high-yielding genotype selected from a doubled haploid (DH) population developed from the cross between the Bacanora and Weebil cultivars from the International Maize and Wheat Improvement Center (CIMMYT). This dataset was used in the Agricultural Model Intercomparison and Improvement Project (AgMIP) Wheat Phase 4 to evaluate crop model performance when simulating high-yielding physiological traits and to determine the potential production of wheat using an ensemble of 29 wheat crop models. The field trials were managed for non-stress conditions with full irrigation, fertilizer application, and without biotic stress. Data include local daily weather, soil characteristics and initial soil conditions, cultivar information, and crop measurements (anthesis and maturity dates, total above-ground biomass, final grain yield, yield components, and photosynthetically active radiation interception). Simulations include both daily in-season and end-of-season results for 25 crop variables simulated by 29 wheat crop models.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».