The use of crop models to assess crop production and food security
Notice bibliographique
Résumé
The global food supply and food security are altered by field, soil, and weather conditions during crop production. Researching food productivity became crucial as the global population increased. In particular, crop losses bring low food supply and price instabilities at the regional and global levels. With that in mind, we reviewed ten crop models and the most simulated impacts from soil-crop-atmosphere interactions in maize, rice, and wheat production. Since 2012, modellers have mainly used APSIM to predict water availability, temperature changes and Greenhouse Gas  (GHG) concentration to predict crop phenology, growth and development, grain filling and nutrient content, and yield. Since 2013, AquaCrop has been used to simulate scenarios focused on water balance in crop production systems, water stress and irrigation planning. Interestingly, Biome-BGCMuso was developed as a biogeochemical model and was not considered good by crop modellers. However, After updates, version v6.2 can simulate different management and field conditions for fifteen crops, considering heat, nitrogen and drought stress. Since 2008, crop modellers used CropSyst to evaluate water availability, nitrogen use efficiency (UE), temperature shifts and GHG concentration in rainfed and irrigated crop systems. Since 2002,  crop modellers have used DAISY to predict crop growth, nitrogen and water UE, grain content, yield gap, and losses. Since 2011, researchers have used DSSAT-CERES for mitigation strategy planning by predicting crop growth, soil characteristics, changes in land use, and nitrogen and water UE. Since 2015, JULES has been used to determine land-atmosphere interactions, changes in land use and GHG impacts on agriculture. Since 2008, ORYZA modellers have mainly predicted nitrogen and water UE, salinity impacts, and toxicity to rice. STICS was developed in 1996, and since 2008, it has been primarily used to simulate fertilization and irrigation systems, nitrogen leaching, and water availability. Since 2000, researchers have used WOFOST to analyze water availability, crop growth, and productivity under temperature changes. Crop models are fast and reliable resources when simulating crop production and food availability.
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 | 0,000 | 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 | 0,001 |
| 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 ».