Pratiques d'irrigation et lessivage en production de fraises en Californie
Bibliographic record
Abstract
La Californie est la plus grande région productrice de fraise en Amérique du nord et cette production ne serait pas possible sans irrigation. Toutefois, les ressources en eau sont limitées dans cette région et la qualité des eaux souterraines est menacée par le lessivage des nitrates. Dans ce contexte, il est essentiel d’optimiser la gestion de l’irrigation afin d’économiser l’eau et de limiter le lessivage tout en maintenant le même niveau de productivité. Des travaux antérieurs ont démontré que le rendement était maximal avec une gestion humide par tensiométrie avec un seuil de -10 kPa, mais l’efficacité d’utilisation de l’eau (EUE) n’est pas maximisée. Des gains d’efficacité pourraient être obtenus en utilisant un seuil plus sec lorsque les besoins en eau de la plante sont plus faibles. Le premier volet de cet ouvrage consistait à comparer différentes stratégies d’irrigation de déficit à une gestion humide et à une gestion conventionnelle de l’irrigation. Des augmentations significatives de l’EUE ont été obtenues avec l’irrigation de déficit sans diminution de rendement significative comparativement à la gestion humide. Toutefois, ces régies tendaient à diminuer le rendement de 0 à 3 % et comme le prix du produit est élevé, il serait pertinent dans des travaux futurs de vérifier si cette tendance de baisse du rendement se confirme. De plus, la gestion par tensiométrie a diminué le lessivage comparativement à la gestion conventionnelle puisque cette technologie permet un ajustement plus précis du temps d’irrigation afin de limiter la perte d’eau et de nutriments au-delà de la zone racinaire. Le deuxième volet visait à mesurer l’impact de différentes régies d’irrigation sur la salinité du sol et à vérifier si la conductivité électrique (CE) de la solution du sol était un indicateur fiable pour suivre la concentration de nitrate dans le sol. Différentes régies d’irrigation basées sur le potentiel matriciel du sol ont été comparées à des régies basées sur l’évapotranspiration et à la régie conventionnelle du producteur. Aucune différence significative n’a été observée sur les deux sites, tous les traitements ont subi une hausse de salinité pendant la saison, mais les pluies hivernales ont été suffisantes pour lessiver cette accumulation de sels. La régie d’irrigation de déficit par tensiométrie ne présente donc pas de risque d’augmentation de salinité dans le sol comparativement à une gestion humide. De plus, la CE du sol s’est avérée inefficace pour estimer la concentration en nitrate du sol puisque la contribution de l’ion nitrate est très faible comparativement à d’autres ions naturellement présents dans le sol.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".