Notice bibliographique
Résumé
In general, the techniques to predict drought include statistical regression, time series, stochastic (or probabilistic), and, lately, pattern recognition techniques. All of these techniques require that a quantitative variable be identified to define drought, with which to begin the process of prediction. In the case of agricultural drought, such a variable can be the yield (production per unit area) of the major crop in a region (Kumar, 1998; Boken, 2000). The crop yield in a year can be compared with its long-term average, and drought intensity can be classified as nil, mild, moderate, severe, or disastrous, based on the difference between the current yield and the average yield. Regression techniques estimate crop yields using yield-affecting variables. A comprehensive list of possible variables that affect yield is provided in chapter 1. Usually, the weather variables routinely available for a historical period that significantly affect the yield are included in a regression analysis. Regression techniques using weather data during a growing season produce short-term estimates (e.g., Sakamoto, 1978; Idso et al., 1979; Slabbers and Dunin, 1981; Diaz et al., 1983; Cordery and Graham, 1989; Walker, 1989; Toure et al., 1995; Kumar, 1998). Various researchers in different parts of the world (see other chapters) have developed drought indices that can also be included along with the weather variables to estimate crop yield. For example, Boken and Shaykewich (2002) modifed the Western Canada Wheat Yield Model (Walker, 1989) drought index using daily temperature and precipitation data and advanced very high resolution radiometer (AVHRR) satellite data. The modified model improved the predictive power of the wheat yield model significantly. Some satellite data-based variables that can be used to predict crop yield are described in chapters 5, 6, 9, 13, 19, and 28. The short-term estimates are available just before or around harvest time. But many times long-term estimates are required to predict drought for next year, so that long-term planning for dealing with the effects of drought can be initiated in time.
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 | 0,000 | 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 | 0,001 | 0,001 |
| 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 ».