Probabilistic assessment of crop yield loss to drought time‐scales in Xinjiang, China
Notice bibliographique
Résumé
Abstract Frequent drought events under climate change are endangering food security and sustainable agricultural development. Quantitative assessment of crop yield anomalies under drought conditions is essential for effective water resources management and adaptative drought risk mitigation strategies. In this study, a copula‐based bivariate probabilistic framework model is developed to assess the impacts of drought events on crop yield, where the correlation of crop yield anomalies and standardized precipitation evapotranspiration index (SPEI) at multi‐month lags are quantified. This model has advantages in quantifying the impacts of drought scales on crop yield through the joint probability of the corresponding series. Then, the model is applied to Xinjiang Province in Northwestern China, an arid region with extensive agricultural activities. SPEI and yield anomalies of wheat, maize and cotton during 1984–2015 are firstly identified, and then copula‐based framework is constructed to quantify probabilistic crop yield losses caused by drought events. Finally, crop water amounts and irrigation requirements under different drought severity conditions are compared and analysed. Our findings are: (a) wheat and maize yield anomalies are vulnerable to long drought time‐scales, with exceedance probabilities of required yield anomalies returning to normal are 19.3% for wheat and 21.1% for maize, while cotton is susceptible to short drought time‐scales, with exceedance probability of 42.3% for drought recovery; (b) response of wheat crop yield anomalies to the SPEI at 1‐, 3‐, 6‐ and 12‐month scales is the most sensitive, followed by maize, and cotton is the least; (c) under extreme drought conditions, the probability of cotton yield reduction is lower than that of wheat and maize. Results may enhance our understanding of the impacts of drought scales on crops during the growing season, thus providing general guidance for rational irrigation management of crops and incentives for irrigation to mitigate drought risk, ultimately promoting sustainable agricultural development.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 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 ».