CERES-Maize model for simulating genotype-by-environment interaction of maize and its stability in the dry and wet savannas of Nigeria

Adnan, Awais; Diels, Jan; Jibrin, J.M.; Kamara, Alpha Y.; Shaibu, Abdulwahab S.; Craufurd, Peter; Menkir, Abebe

doi:10.1016/j.fcr.2020.107826

Cited by 22 publications

(15 citation statements)

References 48 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…yield using the CSM‐CROPGRO‐Soybean model of DSSAT, while Adnan et al. (2020) applied the CSM‐CERES‐Maize model of DSSAT in simulating G × E interactions for maize ( Zea mays L.).…”

Section: Resultsmentioning

confidence: 99%

Performance of a model in simulating growth and stability for cassava grown after rice

et al. 2021

View full text Add to dashboard Cite

Selecting the appropriate genotype for growing cassava (Manihot esculenta Crantz) after rice (Oryza sativa L.) can help increase the supply of cassava and improve land use efficiency. However, conducting the selection requires data from many years of multi-environment yield trials. A systems analysis approach using crop models can support this process. This study aimed to evaluate a potential application of the Cropping System Model (CSM)-MANIHOT-Cassava in determining genotype stability across different upper paddy field conditions when planted following rice. Four cassava genotypes, that is, Kasetsart 50, Rayong 9, Rayong 11, and CMR38-125-77, were evaluated for the six different environments in Thailand from the 2015 through 2018 growing seasons. The data required for the model were recorded, including biomass and yield. The cultivar coefficients of the CSM-MANIHOT-Cassava model for the four genotypes were calibrated and evaluated with the experimental data. The model was then run for historical weather data from 1988 to 2018 for the six environments for production under rain-fed conditions in upper paddy fields following rice. The overall results showed that the model was able to simulate biomass and yield of the four cassava genotypes quite well when compared to the experimental data. The model identified the same stable genotypes as presented in the actual trials. The genotype CMR38-125-77 was found to be a stable genotype and had the highest mean performance for both the actual yield trials and the simulation study.Therefore, the CSM-MANIHOT-Cassava model could be used to help identify the favorable genotype for planting in various paddy field conditions after rice harvest. INTRODUCTIONCassava (Manihot esculenta Crantz) is recognized as one of the most important food, feed, and energy crops across the Abbreviations: ASEAN, Association of the Southeast Asian Nations; CSM, Cropping System Model; DAP, days after planting; DSSAT, Decision Support System for Agrotechnology Transfer; MSD, mean square deviation; NODWT, node weight of the first stem of the shoot before forking; RCBD, randomized complete block design.

show abstract

Section: Resultsmentioning

confidence: 99%

Performance of a model in simulating growth and stability for cassava grown after rice

et al. 2021

View full text Add to dashboard Cite

show abstract

“…4i). The lack of uncertainty reduction may be due to equifinality, meaning that multiple parameter combinations produce the same output (Adnan et al, 2020;He et al, 2017b;Lamsal et al, 2018). The reduction in information entropy of the posterior parameter distributions after the sequential updates (Fig.…”

Section: Parameter Uncertaintymentioning

confidence: 99%

A Bayesian sequential updating approach to predict phenology of silage maize

Viswanathan

Weber

Gayler

et al. 2021

Preprint

View full text Add to dashboard Cite

Abstract. Crop models are tools used for predicting year to year crop development on field to regional scales. However, robust predictions are hampered by factors such as uncertainty in crop model parameters and in the data used for calibration. Bayesian calibration allows for the estimation of model parameters and quantification of uncertainties, with the consideration of prior information. In this study, we used a Bayesian sequential updating (BSU) approach to progressively incorporate additional data at a yearly time-step to calibrate a phenology model (SPASS) while analysing changes in parameter uncertainty and prediction quality. We used field measurements of silage maize grown between 2010 and 2016 in the regions of Kraichgau and Swabian Alb in southwestern Germany. Parameter uncertainty and model prediction errors were expected to progressively reduce to a final, irreducible value. Parameter uncertainty reduced as expected with the sequential updates. For two sequences using synthetic data, one in which the model was able to accurately simulate the observations, and the other in which a single cultivar was grown under the same environmental conditions, prediction error mostly reduced. However, in the true sequences that followed the actual chronological order of cultivation by the farmers in the two regions, prediction error increased when the calibration data was not representative of the validation data. This could be explained by differences in ripening group and temperature conditions during vegetative growth. With implications for manual and automatic data streams and model updating, our study highlights that the success of Bayesian methods for predictions depends on a comprehensive understanding of inherent structure in the observation data and model limitations.

show abstract

“…Por esta razón, la IGA es el factor que determina la extensión de las pruebas y por consiguiente sus costos en un programa de mejoramiento genético (Li et al, 2020). Sin embargo, a pesar de la importancia del estudio de la IGA, incluyendo la adaptabilidad y estabilidad de los materiales genéticos evaluados, generalmente las recomendaciones de los mejores genotipos a seleccionar se basan en el desempeño medio de éstos a través de los ambientes (Adnan et al, 2020). No obstante, este criterio para realizar las recomendaciones no es el más apropiado, puesto que bajo estas condiciones la IGA no permite identificar de manera clara a los genotipos superiores (Adnan et al, 2020;Souza et al, 2009).…”

Section: Introductionunclassified

“…Sin embargo, a pesar de la importancia del estudio de la IGA, incluyendo la adaptabilidad y estabilidad de los materiales genéticos evaluados, generalmente las recomendaciones de los mejores genotipos a seleccionar se basan en el desempeño medio de éstos a través de los ambientes (Adnan et al, 2020). No obstante, este criterio para realizar las recomendaciones no es el más apropiado, puesto que bajo estas condiciones la IGA no permite identificar de manera clara a los genotipos superiores (Adnan et al, 2020;Souza et al, 2009). La IGA, definida como la respuesta diferencial en el comportamiento de dos o más genotipos evaluados en diferentes ambientes (Blum, 1988;Bowman, 1972;García et al, 2020), es considerada como un fenómeno universal, sobre todo, cuando se prueban diferentes genotipos en diversos ambientes, siendo un tema relevante para mejoradores de plantas y agrónomos, cuyo interés principal es determinar el comportamiento agronómico de cultivares evaluados en diferentes ambientes, que faciliten la recomendación de los mejores genotipos con mayor posibilidad de éxito en las regiones específicas donde se practica la producción comercial del cultivo (García et al, 2020).…”

Section: Introductionunclassified

“…Diversos métodos estadísticos multivariados han sido desarrollados para analizar e interpretar la IGA, siendo uno de ellos el modelo de efectos principales aditivos e interacción multiplicativa, AMMI, propuesto por Gauch y Zobel (1988) y usado frecuentemente en la actualidad por muchos autores en diversos trabajos (Adnan et al, 2020;Mudada et al, 2017;Rusinamhodzi et al, 2020). El método AMMI utiliza el análisis de varianza (ANOVA), seguido del análisis de componentes principales aplicado a la suma de cuadrados, que, de acuerdo al ANOVA, le corresponden a la interacción genotipo x ambiente.…”

Section: Introductionunclassified

See 1 more Smart Citation

Uso del modelo AMMI para el análisis de la interacción genotipo ambiente en variedades de maíz amiláceo de Tayacaja, Perú

Mendoza¹,

Castro²,

Rosales³

et al. 2021

RevTaya

View full text Add to dashboard Cite

La interacción genotipo por ambiente (IGA) resulta la principal limitante para seleccionar los mejores genotipos para diversos ambientes. El objetivo de este estudio fue utilizar el modelo de efectos principales aditivos e interacción multiplicativa (AMMI) para evaluar la IGA de 25 variedades de maíz amiláceo. La información fue generada en cuatro ensayos establecidos en ambientes contrastantes de la provincia de Tayacaja, Perú, en el ciclo del cultivo 2019 – 2020. Se utilizó el diseño alfa látice 5x5, con tres repeticiones, en donde las unidades experimentales estuvieron constituidas por dos hileras de 4 m de longitud, con arreglos espaciales de 0,80 m entre hileras y 0,20 m entre puntos de siembra. La IGA se midió a través del rendimiento de grano, ajustado a 15 % de humedad. Una vez comprobada la importancia de la IGA en los experimentos, se realizó el análisis multivariado, para obtener los valores singulares de los términos AMMI que resultaron significativos para genotipos y ambientes. La IGA resultó altamente significativa y explicó alrededor del 33 % de la variación fenotípica del rendimiento. El modelo AMMI explicó alrededor del 92 % de la variación debida a la IGA, en donde los dos primeros ejes concentraron toda esta variación y permitieron identificar variedades con adaptación específica y otras con amplia adaptación a los ambientes de prueba. Los resultados sugieren que el modelo AMMI fue apropiado para evaluar la IGA y para identificar las mejores variedades para cada ambiente de prueba.

show abstract

CERES-Maize model for simulating genotype-by-environment interaction of maize and its stability in the dry and wet savannas of Nigeria

Cited by 22 publications

References 48 publications

Performance of a model in simulating growth and stability for cassava grown after rice

Performance of a model in simulating growth and stability for cassava grown after rice

A Bayesian sequential updating approach to predict phenology of silage maize

Uso del modelo AMMI para el análisis de la interacción genotipo ambiente en variedades de maíz amiláceo de Tayacaja, Perú

Contact Info

Product

Resources

About