Performance of current canola (Brassica napus) hybrids under future rainfed production management
Notice bibliographique
Résumé
Canola is vulnerable to the current changing weather conditions, mainly due to moisture and temperature-related stresses. Adaptation strategies such as shifting planting dates allow producers to improve canola's response to environmental conditions. This study aims to explore the optimal setting to increase canola productivity within the Canadian Prairies under future scenarios from the Shared Socioeconomic Pathways. Hence, we define the optimal planting period to avoid water and temperature stresses as well as the optimal nitrogen (N) concentration in fertilization to maximize canola productivity. We used DSSAT-Pythia to simulate four canola hybrids, 24 planting dates, five nitrogen concentrations, and four future climate scenarios, with a spatial resolution of 0.25° × 0.25° in the Canadian Prairies. The model's performance showed satisfactory predictions of canola phenology and grain yield for all hybrids. On spatial and temporal averages, the second hybrid showed highest yield values, with most values between 2500 and 3000 kg ha −1 . In addition, spatial analysis shows that the first hybrid can complete the crop cycle in all growing zones when planted early (April), and the second and third hybrids completed the cycle when planted later (June and July). Nitrogen uptake was affected by weather conditions. The higher the temperature, especially during the bolting stage, the less nitrogen uptake from the plant. Fertilization with high N concentration (200 kg ha −1 ) is expected to be more effective before May 19 under very hot scenarios and before June 08 under mild temperatures. Overall, canola yield increased with an increase in N concentration.
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 ».