Development of agro-climatic grape yield model with future prospective
Notice bibliographique
Résumé
Agriculture sector is most vulnerable to climate change. To predict the crop yield in accordance with the changing climate is a need of hour than choice. To know the climate in advance is crucial for grape growing farmers and grape export agencies for its better planning and security of grape industries from climate change perspective. In the present study, the Agro-Climatic Grape Yield (ACGY) model is developed on monthly scale climatic parameters using correlation, significance and multi-regression analysis approach. The developed model is statistically tested for its predictive ability. The discrepancy ratio, the standard deviation of discrepancy ratio, mean percentage error and standard deviation of mean percentage error for the developed model is obtained as 1.03, 0.19, 0.03% and 0.19 respectively. Sensitivity analysis is carried out for the developed ACGY model using the parametric sensitivity method. In order to know the grape yield for future using developed ACGY model, climate scenarios are generated under Canadian Earth System Model (CanESM2) for three emissions Representative Concentration Pathways (RCP) as RCP2.6, RCP4.5, and RCP8.5. Model response variability is carried out to understand the variation of grape yield. It is observed that grape yield is showing adverse variation with the increase in minimum temperature in January and November months, and precipitation in August and November months. Whereas, minimum temperature in April and sum of monthly mean evapotranspiration showing accordance effect on the grape yield. It is recommended the use of ACGY model for grape yield estimations applicable for the present and future climate of the study area based on the predictive capability of developed model.
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 | 0,001 |
| 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 ».