Evaluating the AgMIP calibration protocol for crop models; case study and new diagnostic tests
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Crop simulation models are important tools in agronomy. Typically, they need to be calibrated before being used for new environments or cultivars. However, there is a large variability in calibration approaches, which contributes to uncertainty in simulated values, so it is important to develop improved calibration procedures that are widely applicable. The AgMIP calibration group recently proposed a comprehensive, generic calibration protocol that is directly based on standard statistical parameter estimation in regression models. Weighted least squares (WLS) is used to handle multiple response variables and forward regression using the corrected Akaike Information Criterion (AICc) is used to select the parameters to be calibrated. The protocol includes two adaptations, which are specific to each model and data set. First, initial approximations to the WLS parameters are obtained by fitting variables one group at a time. Secondly, “major” parameters are identified that are intended to reduce bias, analogously to the constant in linear regression. In this study, new diagnostic tools to be included in the protocol are proposed and tested in a case study. The diagnostics test whether the protocol does indeed lead to good initial approximations to the WLS parameters, and whether the protocol does indeed substantially reduce bias. These diagnostics provide in-depth understanding of the calibration process, reveal problems and help suggest solutions. The diagnostics should increase confidence in the results of the protocol. Having a reliable, generic calibration approach, like the augmented AgMIP protocol, is essential to using crop models more effectively.
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.
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 découle