The impact of precipitation, temperature, and soil moisture on wheat yield gap quantification: evidence from Morocco
Notice bibliographique
Résumé
Climate change has devastating impacts on agriculture, increasing the yield gap for most crops, especially in developing nations. This is likely to worsen food insecurity in some countries, calling for efforts to close the yield gap as much as possible. Estimating the yield gap and its drivers is essential for devising strategies to increase yields. This study quantifies the wheat yield gap in Morocco's five major wheat production regions. It analyzes the historical sensitivity of wheat yield to temperature, precipitation, and soil moisture, which are important factors affecting agricultural productivity. Furthermore, it evaluates how these yield gaps impact the revenue of producers in these regions. This analysis was conducted using datasets, including the Global Dataset of Historical Yield (GDHY) for yield gap assessment, soil moisture data, ERA5 reanalysis data, and CHIRPS datasets for climate assessment from 1982 to 2016. Pearson correlation and multiple linear regression analyses were employed to reflect the variation characteristics of wheat yield and to identify the impacts of precipitation, temperature, and soil moisture on wheat yield. High regional differences in wheat yield gaps were observed, with values ranging from 1.64 t/ha in Casablanca Settat to 4.12 t/ha in Marrakech Safi, and temporal variability ranging from 9 to 18%. Wheat yields were found to be strongly correlated with rainfall, particularly from December to March. Temperature fluctuations had a significant negative impact on wheat yield across the regions. Soil moisture was positively correlated with wheat yields throughout all growing periods, showing the strongest impacts during the early vegetative development phase. Additionally, losses due to wheat yield gaps were considerable, ranging between $ 194 and 891 per hectare. The revenue loss due to Yield Gap I ranged from 49 to 71%, while the loss due to Yield Gap II ranged from 240 to 444%, depending on the method used to calculate the wheat yield gap. Results reveal gaps in wheat yield, forming a basis for process-based modeling to understand crop yield gap drivers. Understanding yield gap drivers will play a pivotal role in evidence-based intervention strategies to enhance yields. By applying such strategies, it is possible to not only manage and reduce the variability in wheat production, but also ensure sustainable agricultural practices and achieve food security in Morocco and beyond.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».