Assessing agricultural drought at a regional scale using LULC classification, SPI, and vegetation indices: case study in a rainfed agro-ecosystem in Central Mexico
Notice bibliographique
Résumé
Satellite observations of the spectral properties of vegetation can provide insights on crop conditions and yield, and, furthermore, can monitor the impact of droughts. In the case of rainfed crops grown for self-sufficiency, a drought can result in significant human suffering, highlighting the need to understand how droughts affect the landscape in such regions. This paper uses remote sensing to assess the phenomenological impacts of two isolated droughts, distinguishing the response of different vegetation covers in semiarid developing regions where rainfed agriculture is common. Using the standardized precipitation index, one normal and two dry years were selected (2000, 2005, and 2011, respectively). An original protocol for land use land cover (LULC) classification that combines climatic, topographic, and reflectance information from 18 Landsat ETM+ images was applied to subsequently distinguish drought effects in different classes through the selected years. Finally, two vegetation indices (normalized difference vegetation index (NDVI) and vegetation condition index (VCI)) were calculated to detect drought severity impacts over the different LULC classes. This approach was tested in Central Mexico and provided accurate information on the location and extent of areas affected by drought. The proposed approach can be used as a system for drought risk management in semi-arid developing regions.
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 | 0,001 |
| 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 ».