A review of global gridded cropping system data products
Notice bibliographique
Résumé
Abstract Agricultural monitoring, seasonal crop forecasting and climate change adaptation planning all require identifying where, when, how and which crops are grown. Global gridded cropping system data products offer useful information for these applications. However, not only the main sources of information (satellites, censuses, surveys and models) but also the spatial and temporal resolutions of these data products are quite distant from each other because of different user requirements. This is a barrier to strengthening collaborations among the research communities working to increase the capacity of societies to manage climate risks for global food systems, from extreme weather disasters to climate change. A first step is to improve cropping system data products so they can be used more seamlessly across various applications than they are currently. Toward this goal, this article reviews global gridded data products of crop variables (area, yield, cropping intensity, etc) using systematic literature survey, identifies their current limitations, and suggests directions for future research. We found that cropland or crop type mapping and yield or production estimation/prediction together accounted for half of the research objectives of the reviewed studies. Satellite-based data products are dominant at the finer resolution in space and time (<10 km and daily to annual), while model-based data products are found at the coarser resolutions (>55 km and ⩾decadal). Census-based data products are seen at intermediate resolutions (10–55 km and annual to decadal). The suggested directions for future research include the hybridization of multiple sources of information, improvements to temporal coverage and resolution, the enrichment of management variables, the exploration of new sources of information, and comprehensiveness within a single data product.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».