Assessment and mapping of climate change impacts on spring wheat yield in Southern Saskatchewan using DSSAT and high-resolution RCM projections
Notice bibliographique
Résumé
Climate change presents both potential benefits and drawbacks for crop production in Canada. An assessment and mapping of future climate change impacts on spring wheat yield in Saskatchewan is crucial because the province largely accounts for Canada’s share of the global wheat market. We applied ten climate change scenarios (high-resolution (0.22°) regional simulations) to the CERES-Wheat module of the Decision Support System for Agro-technology Transfer (DSSAT) model using a historical baseline period (1975–2004) and three 30-year future periods: near (2010–2039), middle (2040–2069), and far (2070–2099). The model showed high accuracy with d-values always higher than 0.75 for the calibration (d-value = 0.84) and the validation (d-value = 0.82) periods. Furthermore, the model showed a remarkable similarity between the observed and simulated spring wheat yields. Results indicate a median yield increase of 16.1% in the near future, 27.5% in the middle future, and 10.9% in the far future. While there is a general rise in the annual wheat yield under future climate conditions and elevated CO 2 , yield in the far future exhibits a notable decline, particularly in the extreme southern and southwestern areas of Saskatchewan which is exposed to increased aridity under higher temperatures. Conversely, the northern regions are expected to experience significantly higher yields, primarily due to a shift towards wetter conditions and longer growing season. Whereas DSSAT is a commonly used model, the current research is novel by extending the analysis at high-resolution over a large area representing more than 40% of Canada’s crop land.
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 | 0,000 | 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 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 ».