A Bayesian framework to unravel food, groundwater, and climate linkages: A case study from Louisiana
Notice bibliographique
Résumé
Advancing our understanding of the connections among groundwater, food, and climate is critical to meet global food demands while optimizing water resources usage. However, our understanding of the linkages among groundwater, food, and climate is still limited. Here, we offer a Bayesian framework to simulate crop yield at a regional scale and quantify its relationships and associated uncertainty with climate, groundwater, agricultural, and energy-related variables. We implemented the framework in the rice-producing regions of Louisiana from 1960-2015. To build a parsimonious model, we used a probability-based variable selection approach to detect the key drivers of rice yield. Rice yield increased, groundwater declined, and area planted declined or did not change over 56yrs. The number of irrigation wells, groundwater level, air temperature, and area planted were found to be the key drivers of rice yield. The regression coefficients showed that rice yield was positively related to groundwater level, and negatively related to area planted and the number of irrigation wells. The limited influence of N fertilizer was noted on rice yield for the period when fertilizer data were available. The inverse relationship between rice yield and area planted pointed to the adaption of efficient crop management practices that maintained or increased yield, despite the decline in area planted. The farmers' ability to install irrigation wells during droughts sustained the yields over long-term but not short-term. This decline in rice yield in response to drought over the short-term might explain the negative relation between yield and irrigation wells. Overall, this work highlighted the uncertainty in relationships between rice yield and key drivers and quantified the intimate connection between food and groundwater. This work may have implications for managing two highly competing commodities (i.e., groundwater and food) in agricultural 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 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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».