Challenges in drought research: some perspectives and future directions
Notice bibliographique
Résumé
There has been considerable research on modelling various aspects of drought such as identification and prediction of its duration and severity. The term severity has various connotations in drought literature such as in hydrological drought, where it is defined as the cumulative shortage or the deficit sum with reference to a pre-specified truncation level. In meteorological drought, the severity has rather been defined in the form of indices such as the Palmer drought severity index. There exist a variety of techniques and methods to analyse the duration and severity of meteorological and hydrological droughts through probability characterization of low flows, time series methods, synthetic data generation, theory of runs, multiple regression, group theory, pattern recognition and neural network methods. Agricultural droughts are analysed based on soil moisture modelling concepts with crop yield considerations and using multiple linear regression techniques. The prediction aspects of drought duration are developed better than the drought severity aspects. These latter need to be improved because information on drought severity is of paramount practical importance and forms an essential part of the design process of storage facilities for abatement of droughts. A major challenge of drought research is to develop suitable methods and techniques for forecasting the onset and termination points of droughts. An equally challenging task is the dissemination of drought research results for practical usage and wider applications.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,019 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,006 |
| Communication savante | 0,009 | 0,015 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,015 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».