Improving water use efficiency of surface irrigated sugarcane
Notice bibliographique
Résumé
Sugarcane (Saccharum officinarum) is a traditional major crop and export of Guyana. This study aims to assess the current irrigation scenario and propose scenarios to maximize the yield and water use efficiency of sugarcane (S. officinarum) in Guyana, using the AquaCrop model. Field-measured climate and soil data, and local crop parameters were used in the simulations. The crop simulations were calibrated with actual yields from 2005 to 2008. The calibrated parameters were then validated using the 2009 to 2012 yield dataset. The good agreement (RMSE of 7.15%) with the recorded yield during validation and the low sensitivity of calibrated parameters indicate the acceptability of AquaCrop and the parameters used for simulations. During calibration, the yield was weakly sensitive (0.6–2% ΔRMSEn) to changes in crop parameter values with the highest sensitivity observed for the maximum canopy cover (CCx) and the crop coefficient (kcmax). Several irrigation scenarios were then simulated, of which no significant reduction or increase in yield was observed between the scenarios 50% to 100% of the total available water (TAW). A threshold of 50%TAW is advised during dry periods to avoid significant yield loss. It is recommended that this scenario be validated with field experiments. The results of this study will assist in maintaining high sugarcane yields even during dry conditions.
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 | 0,001 | 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) | 0,001 | 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 ».