The Impacts of Climate Variability on Crop Yields and Irrigation Water Demand in South Asia
Notice bibliographique
Résumé
Accurate (spatio-temporal) estimation of the crop yield relation to climate variables is essential in the densely populated Indus, Ganges, and Brahmaputra (IGB) river basins of South Asia for devising appropriate adaptation strategies to ensure regional food and water security. This study examines wheat (Triticum aestivum) and rice (Oryza sativa) crop yields’ sensitivity to primary climate variables (i.e., temperature and precipitation) and related changes in irrigation water demand at different spatial (i.e., province/state, districts and grid cell) and temporal (i.e., seasonal and crop growth phase) scales. To estimate the climate driven variations in crop yields, observed and modelled data applying the Lund-Potsdam-Jena managed Land (LPJmL) model are used for six selected study sites in the IGB river basins over the period 1981–2010. Our statistical analysis underscores the importance of impacts assessments at higher spatio-temporal scales. Our grid cell (aggregated over study sites) scale analysis shows that 27–72% variations in wheat and 17–55% in rice crop yields are linked with temperature variations at a significance level of p < 0.001. In the absence of irrigation application, up to 39% variations in wheat and up to 75% variations in rice crop yields are associated with precipitation changes in all study sites. Whereas, observed crop yields show weak correlations with temperature at a coarser resolution, i.e., up to 4% at province and up to 31% at district scales. Crop yields also showed stronger sensitivity to climate variables at higher temporal scale (i.e., vegetative and reproductive phases) having statistically strong negative relationship with temperature and positive with precipitation during the reproductive phase. Similarly, crop phase-specific variations in climate variables have considerable impacts (i.e., quantity and timing) on irrigation water demand. For improved crop water planning, we suggest integrated climate impact assessments at higher spatio-temporal scales which can help to devise appropriate adaptation strategies for sustaining future food demand.
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 | 0,000 | 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 ».