Identifying influence patterns of regional agricultural drought vulnerability using a two-phased grey rough combined model
Notice bibliographique
Résumé
Purpose A core challenge of assessing regional agricultural drought vulnerability (RADV) is to reveal what vulnerability factors, under which kinds of synergistic combinations and at what strengths, will lead to higher vulnerability: namely, the influence patterns of RADV. Design/methodology/approach A two-phased grey rough combined model is proposed to identify influence patterns of RADV from a new perspective of learning and mining historical cases. The grey entropy weight clustering with double base points is proposed to assess degrees of RADV. The simplest decision rules that reflect the complex synergistic relationships between RADV and its influencing factors are extracted using the rough set approach. Findings The results exemplified by China's Henan Province in the years 2008–2016 show higher degrees of RADV in the north and west regions of the province, in comparison with the south and east. In the patterns with higher RADV, the higher proportion of agricultural population appears in all decision rules as a core feature. A smaller quantity of water resources per unit of cultivated land area and a lower adaptive capacity, involving levels of irrigation technology and economic development, present a significant synergistic influence relationship that distinguishes the features of higher vulnerability from those of the lower. Originality/value The proposed grey rough combined model not only evaluates temporal dynamics and spatial differences of RADV but also extracts the decision rules between RADV and its influencing factors. The identified influence patterns inspire managerial implications for preventing and reducing agricultural drought through its historical evolution and formation mechanism.
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) | 0,000 | 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 ».