MétaCan
Menu
Retour à la cohorte
Enregistrement W4393900103

Quantifying and modeling crop yields, water and nitrogen fluxes of in situ organic cropping systems

2018· preprint· fr· W4393900103 sur OpenAlexaff
Lucia Rakotovololona

Notice bibliographique

Revuetheses.fr (ABES) · 2018
Typepreprint
Languefr
DomaineAgricultural and Biological Sciences
ThématiqueAgricultural Economics and Policy
Établissements canadiensImpact
Organismes subventionnairesnon disponible
Mots-clésCroppingIn situEnvironmental scienceNitrogenAgronomyCropCropping systemSoil scienceAgroforestryGeographyEcologyChemistryBiologyAgricultureMeteorology
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Dans le contexte actuel de changements globaux, faire face au défi multiple et interconnecté de la sécurité alimentaire et des impacts environnementaux s’avère fondamental pour la durabilité des systèmes agricoles. La thèse s’attache ainsi à évaluer les performances agronomiques et environnementales des systèmes en AB, en couplant un suivi expérimental réalisé sur un réseau de 35 parcelles agricoles dans la région Hauts-de-France, avec la modélisation du continuum sol-plante-atmosphère afin de mieux comprendre les processus expliquant les dynamiques de l’eau et de l’azote dans ces systèmes, en vue de promouvoir des pratiques de gestion durables.Dans un premier temps, le drainage d’eau et la lixiviation d’azote ont été quantifiés en couplant les données sol-culture-climat et le modèle LIXIM. L’analyse de la lixiviation des parcelles agricoles a permis de déterminer que les facteurs qui expliquent la variabilité. Outre le fort effet sol et l’importance des conditions climatiques sur le drainage, ils sont principalement liés à la combinaison de précédent cultural et de gestion de la couverture du sol en automne. Ces deux derniers jouent en effet sur la quantité d’azote minéral présent avant la période de drainage et expliquent la position du nitrate dans le profil de sol. Nos résultats ont montré le rôle dichotomique des légumineuses dans les systèmes de grandes cultures en AB, et la faible performance des cultures intermédiaires car semées tardivement en automne dans ce contexte.Dans un second temps, le diagnostic des déterminants de l’écart au rendement des cultures ou yield gap a été réalisé via une approche par modélisation déterministe. Le modèle sol-culture STICS a servi à estimer les différents niveaux de rendement potentiel et décomposer le yield gap, en s’appuyant sur le cas du blé tendre et du triticale. Les résultats montrent que le stress en azote permet d’expliquer la majeure partie du yield gap survenant en AB, et dans une moindre mesure les facteurs liés à la pression biotique, pour des systèmes recourant à peu ou pas d’apport azoté exogène.Finalement, le défi de la fourniture en azote dans les systèmes de grandes cultures en AB a été abordé afin de contribuer à une meilleure efficience d’utilisation de l’azote et une amélioration de la productivité des parcelles. Le modèle STICS a permis de simuler l’impact de pratiques de gestion alternatives de l’azote, par expérimentation numérique menée dans le cadre d’une approche participative, mobilisant les agriculteurs, les conseillers techniques et les chercheurs. Les résultats indiquent l’importance de la succession et des pratiques culturales, en particulier la mise en place de cultures intermédiaires et la gestion du retournement des luzernières. L’optimisation des pratiques des agriculteurs restent ainsi possible, en réduisant les émissions potentielles d’azote par lixiviation ou par pertes gazeuses, sans léser la fourniture en N pour les cultures.Dans les contextes pédo-technico-climatiques étudiés, les systèmes de grandes cultures en AB peuvent ainsi combiner performance agronomique et faibles impacts environnementaux, lorsque la gestion de l’azote est bien maîtrisée.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,671
Score d'incertitude au seuil0,963

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,075
Tête enseignante GPT0,257
Écart entre enseignants0,182 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuetheses.fr (ABES)Même sujetAgricultural Economics and PolicyTravaux en français237 207