Improving the spatial resolution and ecostratification of crop yield estimates in Canada
Notice bibliographique
Résumé
Du, Y., Huffman, T., Daneshfar, B., Green, M., Feng, F., Liu, J., Liu, T. and Liu, H. 2015. Improving the spatial resolution and ecostratification of crop yield estimates in Canada. Can. J. Soil Sci. 95: 287–297. Canada's terrestrial ecostratification framework provides nested spatial units for organizing national data related to soils, landforms and land use. In the agricultural domain, the lack of national, uniform crop yield data on the ecostratification framework severely hinders our ability to evaluate the biophysical data with respect to economic and climatic conditions. We developed a national crop yield database at the regional (ecodistrict) level by aggregating individual records of an existing but very broad-level sample-derived yield database according to the ecostratification hierarchy. Issues related to the different sampling frameworks and the need for confidentiality of individual records were resolved in order to generate an ecostratified crop yield dataset at a reasonably detailed spatial scale. Sixty crops were first statistically arranged into 37 agronomically similar crop groups in order to increase class size, and these crop groups were aggregated into increasingly large spatial units until confidentiality was assured. The methodology maintained data quality and confidentiality while producing crop yield estimates at the ecodistrict level. Comparison to independent crop insurance data confirmed that the resulting crop yield data are valid where estimates were derived from data released at the level of an ecodistrict or an ecoregion, but not at the ecoprovince level. Our crop yield estimates offer a reasonably high level of spatial precision while remaining within standard confidentiality constraints.
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 ».