A Method to Estimate Climate Drivers of Maize Yield Predictability Leveraging Genetic-by-Environment Interactions in the US and Canada
Notice bibliographique
Résumé
Throughout history, the pursuit of diagnosing and predicting crop yields has evidenced genetics, environment, and management practices' intertwined roles in achieving food security. However, the sensitivity of crop phenotypes and genetic responses to weather and climate remains unclear, hampering the identification of the underlying abilities of plants to adapt to climate change. We hypothesize that the PAWN global sensitivity analysis (GSA) coupled with a genetic by environment (GxE) model -built of environmental covariance and genetic markers structures- can evidence the contributions of climate on the predictability of maize yields in the U.S. and Ontario, Canada (US-CA). The GSA-GxE modeling framework estimates the relative contribution of climate variables such as solar radiation, temperature, rainfall, and relative humidity on improving maize yield predictions in US-CA. We use an improved version of the Genomes to Fields (G2F) initiative multi-dimensional database to build the environmental covariance matrices for the proposed GSA-GxE framework. The PAWN indices show that the aggregated GxE model’s highest sensitivity levels over US-CA were attributed to solar radiation, temperature, rainfall, and relative humidity. In one-third of the locations, rainfall was the primary climate variable responsible for maize yield predictability. Also, a consistent pattern of top sensitivity indices by location indicates that Relative Humidity, Solar Radiation, and Temperature were distributed as the main or the second most relevant drivers of maize yield predictability.
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 | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 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 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 ».