Using ensemble-mean climate scenarios for future crop yield projections: a stochastic weather generator approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Using climate scenarios from only 1 or a small number of global climate models (GCMs) in climate change impact studies may lead to biased assessment due to large uncertainty in climate projections. Ensemble means in impact projections derived from a multi-GCM ensemble are often used as best estimates to reduce bias. However, it is often time consuming to run process-based models (e.g. hydrological and crop models) in climate change impact studies using numerous climate scenarios. It would be interesting to investigate if using a reduced number of climate scenarios could lead to a reasonable estimate of the ensemble mean. In this study, we generated a single ensemble-mean climate scenario (En-WG scenario) using ensemble means of the change factors derived from 20 GCMs included in CMIP5 to perturb the parameters in a weather generator, LARS-WG, for selected locations across Canada. We used En-WG scenarios to drive crop growth models in DSSAT ver. 4.7 to simulate crop yields for canola and spring wheat under RCP4.5 and RCP8.5 emission scenarios. We evaluated the potential of using the En-WG scenarios to simulate crop yields by comparing them with crop yields simulated with the LARS-WG generated climate scenarios based on each of the 20 GCMs (WG scenarios). Our results showed that simulated crop yields using the En-WG scenarios were often close to the ensemble means of simulated crop yields using the 20 WG scenarios with a high probability of outperforming simulations based on a randomly selected GCM. Further studies are required, as the results of the proposed approach may be influenced by selected crop types, crop models, weather generators, and GCM ensembles.
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.
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 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle