Enhancing AquaCrop model precision for accurate simulation of sweet potato and taro landraces
Notice bibliographique
Résumé
Neglected and underutilised crop species (NUS) such as orange-fleshed sweet potato (OFSP) and taro are nutrient-dense, climate-resilient crops with high potential to diversify food systems. While the AquaCrop model has been calibrated to simulate canopy cover (CC), biomass, and yield for both crops, independent testing across diverse agro-ecological zones is required to critically assess model robustness. We, therefore, evaluated AquaCrop’s ability to simulate the growth and yield of OFSP and taro at three locations in the KwaZulu-Natal province, South Africa. Critical recalibration adjustments included reducing taro’s maximum rooting depth, modifying soil water depletion thresholds to better reflect water stress, and parameterising phenology based on tuber mass stabilisation. Recalibration improved model performance for CC (R 2 , coefficient of determination, up to 0.954 for OFSP; 0.632 for taro), biomass (NSE, Nash-Sutcliffe efficiency, up to 0.975), and final yield (absolute deviations ≤ 6% under optimal irrigation). Validation across three locations confirmed that AquaCrop reliably simulates growth and yield under non-stressed conditions, although performance declined under water-limited environments. The model was run in growing degree-day mode to account for climate variability, which is recommended for future validations. These results demonstrate that, with high-quality calibration datasets representing multiple landraces, AquaCrop can provide reliable yield predictions for NUS. This enables more accurate water management, operational yield predictions, and climate risk assessments for both smallholder and commercial farmers. By bridging the modelling gap for NUS, this work supports their integration into climate adaptation strategies, strengthens food and nutrition security, and promotes resilient agricultural diversification under variable climatic conditions.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».