3. Results and discussion3.1. Canop

3. Results and discussion3.1. Canopy coverThere was a good correlation between the observed and predicted CC for the calibrated data (0.90 R2 0.97). This meansthat the AquaCrop model accounted for 90 to 97% of the variability in annual CC (Fig. 3). The RMSE 7.3% andNRMSE 11.8% were low and considered good for the calibration of CC. The 0.90 EF 1.00 showed that the model simulated CC optimally. The d-index (0.981.00) clearly showed thatthe AquaCrop model simulated CC very well under soil fertility management practices (Table 4). Similarly the validateddata in 2016 had a high R2 (0.940.98) and an average lowerRMSE (2.064.60%) and NRMSE 16.7% compared with thecalibrated data. The EF 0.93 and d-index 0.99 were veryhigh for crop modelling. Generally, with b 1.00, the AquaCrop model did not overestimate CC under soil fertlity management except in V1N75, V1N100 and V2N50 for thecalibratded data and V1N25–V2N75 for the validated data. Theslight overestimations could be attributed to the response ofthe model to simulate canopy expansion under added soil fertility. Adeboye et al. [46] reported that the AquaCrop modelsimulated CC with R2 0.95, NRMSE 14.3%, d-index 0.97,and EF 0.84. The AquaCrop model simulated CC withR2 > 0.57 under soil fertility management [61]. Under rainfedconditions, AquaCrop simulated CC with R2 = 0.83 andRMSE = 10.5% [58]. The assessment of the model showed thatCC of soybeans under soil fertility management were wellsimulated.3.2. Soil water storageThe goodness of fit R2 was 0.75 for the calibrated data. Thisimplies that most of the variances in the SWS were explained

3. Results and discussion3.1. Canopy coverThere was a good correlation between the observed and predicted CC for the calibrated data (0.90   R2  0.97). This meansthat the AquaCrop model accounted for 90 to 97% of the variability in annual CC (Fig. 3). The RMSE   7.3% andNRMSE   11.8% were low and considered good for the calibration of CC. The 0.90   EF  1.00 showed that the model simulated CC optimally. The d-index (0.981.00) clearly showed thatthe AquaCrop model simulated CC very well under soil fertility management practices (Table 4). Similarly the validateddata in 2016 had a high R2 (0.940.98) and an average lowerRMSE (2.064.60%) and NRMSE   16.7% compared with thecalibrated data. The EF  0.93 and d-index  0.99 were veryhigh for crop modelling. Generally, with b   1.00, the AquaCrop model did not overestimate CC under soil fertlity management except in V1N75, V1N100 and V2N50 for thecalibratded data and V1N25–V2N75 for the validated data. Theslight overestimations could be attributed to the response ofthe model to simulate canopy expansion under added soil fertility. Adeboye et al. [46] reported that the AquaCrop modelsimulated CC with R2  0.95, NRMSE   14.3%, d-index  0.97,and EF  0.84. The AquaCrop model simulated CC withR2 > 0.57 under soil fertility management [61]. Under rainfedconditions, AquaCrop simulated CC with R2 = 0.83 andRMSE = 10.5% [58]. The assessment of the model showed thatCC of soybeans under soil fertility management were wellsimulated.3.2. Soil water storageThe goodness of fit R2 was  0.75 for the calibrated data. Thisimplies that most of the variances in the SWS were explained

0/5000

源语言: -

目标语言: -

结果 (简体中文) 1: [复制]

复制成功！

3. 结果与讨论 3.1. 冠层覆盖 校准数据的观测和预测 CC 之间存在良好的相关性（0.90 R2 0.97）。这意味着 AquaCrop 模型占年度 CC 变化的 90% 到 97%（图 3）。RMSE 7.3% 和 NRMSE 11.8% 较低，被认为有利于 CC 的校准。0.90 EF 1.00 表明该模型对 CC 的模拟效果最佳。d 指数 (0.98 1.00) 清楚地表明， AquaCrop 模型在土壤肥力管理实践下很好地模拟了 CC（表 4）。同样，2016 年的验证 数据具有较高的 R2 (0.94 0.98) 和平均较低的 RMSE (2.06 4.60%) 和 NRMSE 16.7% 与 校准数据。 EF 0.93 和 d-index 0.99对于作物建模来说非常高。 一般来说，在 b 1.00 的情况下，除了 V1N75、V1N100 和 V2N50 的校准数据和 V1N25-V2N75 的验证数据外，Aqua�Crop 模型在土壤肥力管理下不会高估 CC 。轻微的 高估可能归因于 模型在增加土壤肥力下模拟冠层扩张的响应。阿德博耶等人。[46] 报告说，AquaCrop 模型 以 R2 0.95、NRMSE 14.3%、d 指数 0.97 和 EF 0.84 模拟 CC。AquaCrop 模型模拟了 土壤肥力管理下 R2 > 0.57 的 CC [61]。在雨养 条件下，AquaCrop 在 R2 = 0.83 和 RMSE = 10.5% [58]。模型评估表明， 土壤肥力管理下大豆的CC 模拟良好。 3.2. 土壤蓄水量 校准数据的拟合优度 R2 为 0.75。这 意味着解释了 SWS 中的大多数差异

正在翻译中..

结果 (简体中文) 2:[复制]

复制成功！

3.结果和讨论 3.1. 遮篷 观察到的结果与实验前的结果有很好的相关性校准数据的口述抄送（0.90 R2 0.97）。这意味着 AquaCrop模型占变异系数的90%至97%年度CC能力（图3）。RMSE 7.3%和 NRMSE 11.8%较低，被认为对calibra有利CC的功能。0.90 EF 1.00表明模型simu这是最理想的。d指数（0.98 1.00）清楚地表明 水作物模型很好地模拟了土壤肥力下的CC城市管理实践（表4）。类似地，验证了 2016年的数据R2较高（0.94 0.98），平均值较低 与对照组相比，RMSE（2.06 4.60%）和NRMSE分别为16.7% 校准数据。EF 0.93和d指数 0.99非常高 对作物建模很有帮助。一般来说，对于B1.00，Aqua作物模型并没有高估土壤肥力下的CC除V1N75、V1N100和V2N50中的 校准数据和验证数据的V1N25–V2N75。这个 轻微的高估可归因于 增土条件下冠层扩展的模拟模型实用性。Adeboye等人[46]报告称，AquaCrop模型 模拟CC，R2 0.95，NRMSE 14.3%，d指数 0.97， EF 0.84。AquaCrop模型模拟了CC 土壤肥力管理下R2>0.57[61]。雨水不足 条件下，AquaCrop模拟CC，R2=0.83和 RMSE=10.5%[58]。对模型的评估表明： 土壤肥力管理下大豆的CC表现良好 模拟的。 3.2. 土壤蓄水 校准数据的拟合优度R2为 0.75。这 这意味着SWS中的大部分差异都得到了解释

正在翻译中..

结果 (简体中文) 3:[复制]

复制成功！

3.结果和讨论3.1.天篷罩对于校准数据，观察到的和预测的CC之间有很好的相关性(0.90 R2 0.97)。这意味着水生作物模型占年气候变化能力的90%到97%(图3)。RMSE 7.3%和NRMSE 11.8%较低，被认为有利于CC的校准。0.90的EF 1.00表明模型模拟的CC最优.d指数(0.981.00)清楚地表明在土壤肥力管理措施下，水生作物模型很好地模拟了CC(表4)。同样，经验证的2016年的数据具有较高的R2 (0.940.98)和较低的平均R2RMSE (2.064.60%)和NRMSE 16.7%校准数据。英孚 0.93和d指数 0.99非常作物建模的高。一般来说，在b 1.00的情况下，除了在V1N75、V1N100和V2N50中，水生作物模型没有高估土壤肥力管理下的CC校准数据和v1n 25–v2n 75验证数据。这轻微高估可归因于以下因素的响应增加土壤肥力条件下的冠层扩展模型。Adeboye等人[46]报告称，水生作物模型模拟CC，R2 0.95，NRMSE 14.3%，d指数 0.97，英孚 0.84。AquaCrop模型模拟了气候变化土壤肥力管理下的R2 > 0.57[61]。雨水不足条件，AquaCrop模拟CC，R2 = 0.83，以及RMSE = 10.5% [58]。对模型的评估表明土壤肥力管理下大豆的CC值较好模拟的。3.2.土壤蓄水量校准数据的拟合优度R2为 0.75。这意味着SWS中的大多数差异都得到了解释

正在翻译中..

其它语言

本翻译工具支持: 世界语, 丹麦语, 乌克兰语, 乌兹别克语, 乌尔都语, 亚美尼亚语, 伊博语, 俄语, 保加利亚语, 信德语, 修纳语, 僧伽罗语, 克林贡语, 克罗地亚语, 冰岛语, 加利西亚语, 加泰罗尼亚语, 匈牙利语, 南非祖鲁语, 南非科萨语, 卡纳达语, 卢旺达语, 卢森堡语, 印地语, 印尼巽他语, 印尼爪哇语, 印尼语, 古吉拉特语, 吉尔吉斯语, 哈萨克语, 土库曼语, 土耳其语, 塔吉克语, 塞尔维亚语, 塞索托语, 夏威夷语, 奥利亚语, 威尔士语, 孟加拉语, 宿务语, 尼泊尔语, 巴斯克语, 布尔语(南非荷兰语), 希伯来语, 希腊语, 库尔德语, 弗里西语, 德语, 意大利语, 意第绪语, 拉丁语, 拉脱维亚语, 挪威语, 捷克语, 斯洛伐克语, 斯洛文尼亚语, 斯瓦希里语, 旁遮普语, 日语, 普什图语, 格鲁吉亚语, 毛利语, 法语, 波兰语, 波斯尼亚语, 波斯语, 泰卢固语, 泰米尔语, 泰语, 海地克里奥尔语, 爱尔兰语, 爱沙尼亚语, 瑞典语, 白俄罗斯语, 科西嘉语, 立陶宛语, 简体中文, 索马里语, 繁体中文, 约鲁巴语, 维吾尔语, 缅甸语, 罗马尼亚语, 老挝语, 自动识别, 芬兰语, 苏格兰盖尔语, 苗语, 英语, 荷兰语, 菲律宾语, 萨摩亚语, 葡萄牙语, 蒙古语, 西班牙语, 豪萨语, 越南语, 阿塞拜疆语, 阿姆哈拉语, 阿尔巴尼亚语, 阿拉伯语, 鞑靼语, 韩语, 马其顿语, 马尔加什语, 马拉地语, 马拉雅拉姆语, 马来语, 马耳他语, 高棉语, 齐切瓦语, 等语言的翻译.