Evaluating the Contribution of Weather to Maize and Wheat Yield Trends in 12 U.S. Counties
Notice bibliographique
Résumé
Evaluating the contribution of weather and its individual components to recent yield trends can be useful to predict the response of crop production to future climate change, but different modeling approaches can yield diverging results. We used two common approaches to evaluate the effect of weather trends on maize ( Zea mays L.) and wheat (Triticum aestivum L.) production in 12 U.S. counties, and investigate sources of disparities between the two methods. We first used the Decision Support System for Agrotechnology Transfer (DSSAT) model from 1984 to 2008 to evaluate the contribution of weather changes to simulated yield trends in six counties for each crop, each county being located in one of the top 10 U.S. producing states for that crop. A parallel analysis was conducted by multiplying inter‐annual weather sensitivity of county‐level yields with observed weather trends to estimate weather contributions to empirical yield trends. Weather had a low (maize) to high (wheat) contribution to simulated yield trends, with rain having the largest effect. In contrast, weather and rain had lower contributions to empirical yield trends. Along with evidence from previous studies, this suggests that DSSAT may be too sensitive to water thus inflating the importance of rain. Moreover, the time period used to compute yield trends also had a large effect on the importance of weather and its individual components. Our results highlight the importance of using multiple computation approaches and different time periods when estimating weather‐related yield trends.
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) | 0,001 | 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 ».