Crop models and their use in assessing crop production and food security: A review
Notice bibliographique
Résumé
Abstract Agriculture is directly related to food security as it determines the global food supply. Research in agriculture to predict crop productivity and losses helps avoid high food demand with little supply and price spikes. Here, we review ten crop models and one intercomparison project used for simulating crop growth and productivity under various impacts from soil–crop–atmosphere interactions. The review outlines food security and production assessments using numerical models for maize, wheat, and rice production. A summary of reviewed studies shows the following: (1) model ensembles provide smaller modeling errors compared to single models, (2) single models show better results when coupled with other types of models, (3) the ten reviewed crop models had improvements over the years and can accurately predict crop growth and yield for most of the locations, management conditions, and genotypes tested, (4) APSIM and DSSAT are fast and reliable in assessing broader output variables, (5) AquaCrop is indicated to investigate water footprint, quality and use efficiency in rainfed and irrigated systems, (6) all models assess nitrogen dynamics and use efficiency efficiently, excluding AquaCrop and WOFOST, (7) JULES specifies in evaluating food security vulnerability, (8) ORYZA is the main crop model used to evaluate paddy rice production, (9) grain filling is usually assessed with APSIM, DAISY, and DSSAT, and (10) the ten crop models can be used as tools to evaluate food production, availability, and security.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».