The potential of growing soybean in Saskatchewan and its irrigation water needs under climate change scenarios—a modelling study
Notice bibliographique
Résumé
The soybean industry in Canada is seeking opportunities to expand cultivation due to economic and environmental benefits of growing soybean. Climate projections indicate that soybean expansion into Saskatchewan would be possible with the increases in the available crop heat units under a future warmer climate; however, crop water availability could limit yields. Using a crop growth model, we simulated soybean yields within the Canadian Regional Agricultural Model regions in Saskatchewan for the near-term (2030s), mid-term (2050s), and distant future (2070s) periods under different climate scenarios. Soybean yields were simulated without water stress (potential yield), with water stress (rainfed yield), and under full and partial irrigation scenarios. Irrigation water needs were estimated under the irrigation scenarios and irrigation water availability was discussed. Our results suggest that reasonable and likely more profitable yields (∼2000–2500 kg ha −1 ) can be achieved under rainfed conditions in the Black soil zone neighbouring Manitoba but soybean production would be less favourable in the Dark Brown soil zone and least favourable in the Brown soil zone. Northeastern regions in the Black soil zone were found to be suitable for growing soybean cultivars in the maturity group (MG) 0 in the distant future and MG 00 in the mid-term under the medium–high greenhouse gas emission scenarios. Soybean would still not be suitable in the northwestern region. Our results indicate that regions in central Saskatchewan requiring 120–170 mm of irrigation are more likely to benefit from the proposed Lake Diefenbaker Irrigation Projects in the future.
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 | 0,001 | 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 ».