Abstract Croplands have been the focus of substantial investigation due to their considerable potential for sequestering carbon. Understanding the potential for soil organic carbon (SOC) sequestration and necessary management strategies will be enabled with accurate process‐based models. Accurately representing crop growth and agricultural practices will be critical for realistic SOC modeling. The MEMS 2 model incorporates a current understanding of SOC formation and stabilization, measurable SOC pools, and deep SOC dynamics and is seen as a highly promising tool to inform management intervention for SOC sequestration. Thus far, MEMS 2 has been developed to represent grasslands. In this study, we further developed MEMS 2 to model annual grain crops and common agricultural practices, such as irrigation, fertilization, harvesting, and tillage. Using four Ameriflux sites, we demonstrated an accurate simulation of crop growth and development. Model performance was strong for simulating aboveground biomass (index of agreement [ d ] range of 0.89–0.98) and green leaf area index ( d from 0.90 to 0.96) across corn, soybean, and winter wheat. Good agreement with observations was also achieved for net ecosystem CO 2 exchange ( d from 0.90 to 0.96), evapotranspiration ( d from 0.91 to 0.94), and soil temperature ( d of 0.96), while discrepancy with the available soil water content data remain ( d from 0.14 to 0.81 at four depths to 100 cm). While we will continue model testing and improvement, MEMS 2 (version 2.14) has now demonstrated its ability to effectively simulate the growth of common grain crops and practices.

Grazing lands play a significant role in global carbon (C) dynamics, holding substantial soil organic carbon (SOC) stocks. However, historical mismanagement (e.g., overgrazing and land-use change) has led to substantial SOC losses. Regenerative practices, such as adaptive multi-paddock (AMP) grazing, offer a promising avenue to improve soil health and help combat climate change by increasing SOC accrual, both in its particulate (POC) and mineral-associated (MAOC) organic C components. Because adaptive grazing patterns emerge from the combination of different levers such as frequency, intensity, and timing of grazing, studying AMP grazing management in experimental trials and representing it in models remains challenging. Existing ecosystem models lack the capacity to predict how different adaptive grazing levers affect SOC storage and its distribution between POC and MAOC and along the soil profile accurately. Therefore, they cannot adequately assist decision-makers in effectively optimizing adaptive practices based on SOC outcomes. Here, we address this critical gap by developing version 2.34 of the MEMS 2 model. This version advances the previous by incorporating perennial grass growth and grazing submodules to simulate grass green-up and dormancy, reserve organ dynamics, the influence of standing dead plant mass on new plant growth, grass and supplemental feed consumption by animals, and their feces and urine input to soil. Using data from grazing experiments in the southeastern United States and experimental SOC data from two conventional and three AMP grazing sites in Mississippi, we tested the capacity of MEMS 2.34 to simulate grass forage production, total SOC, POC, and MAOC dynamics to 1-m depth. Further, we manipulated grazing management levers, i.e., timing, intensity, and frequency, to do a sensitivity analysis of their effects on SOC dynamics in the long term. Our findings indicate that the model can represent bahiagrass forage production (BIAS = 9.51 g C m

Wheat (Triticum aestivum) is a major cereal crop planted in the Southern Great Plains. This crop faces diverse pests that can affect their development and reduce yield productivity. For example, aphids are a significant pest in wheat, and their management relies on pesticides, which affect the sustainability and biodiversity of natural predators that prey on aphids. Coccinellids, commonly named lady beetles, are the most abundant natural predators of wheat. These natural enemies contribute to the natural predation of aphids, which can reduce the use of excessive pesticides for aphid management. Usually, visual observations of these natural enemies are performed during pest sampling; however, it is time-consuming and requires manual labor, which can be expensive. An automation system or detection models based on machine learning approaches that can detect these insects is needed to reduce unnecessary pesticide applications and manual labor costs. However, developing an automation system or computer vision models that automatically detect these natural enemies requires imagery to train and validate this cutting-edge technology. To solve this research problem, we collected this dataset, which includes images and label annotations to help researchers and students develop this technology that can benefit wheat growers and science to understand the capabilities of automation in Entomology. We collected a dataset using mobile devices, which included a diverse range of coccinellids on wheat images. The dataset consists of 2,133 images with a standard size of 640 × 640 pixels, which can be used to train and develop detection models for machine learning purposes. In addition, the dataset includes annotated labels that can be used for training models within the YOLO family or others, which have been proven to detect small insects in crops. Our dataset will increase the understanding of machine learning capabilities in entomology, precision agriculture, education, and crop pest management decisions.