How can machine learning help in understanding the impact of climate change on crop yields?
Notice bibliographique
Résumé
Abstract Ordinary least squares linear regression (LR) has long been a popular choice among researchers interested in using historical data for estimating crop yield response to climate change. Today, the rapidly growing field of machine learning (ML) offers a wide range of advanced statistical tools that are increasingly being used for more accurate estimates of this relationship. This study compares LR to a popular ML technique called boosted regression trees (BRTs). We find that BRTs provide a significantly better prediction accuracy compared to various LR specifications, including those fitting quadratic and piece-wise linear functions. BRTs are also able to identify break points where the relationship between climate and yield undergoes significant shifts (for example, increasing yields with precipitation followed by a plateauing of the relationship beyond a certain point). Tests we performed with synthetically simulated climate and crop yield data showed that BRTs can automatically account for not only spatial variation in climate–yield relationships, but also interactions between different variables that affect crop yields. We then used both statistical techniques to estimate the influence of historical climate change on rice, wheat, and pearl millet in India. BRTs predicted a considerably smaller negative impact compared to LR. This may be an artifact of BRTs conflating time and climate variables, signaling a potential weakness of models with excessively flexible functional forms for inferring climate impacts on agriculture. Our findings thus suggest caution while interpreting the results from single-model analyses, especially in regions with highly varied climate and agricultural practices.
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 | 0,001 | 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 | 0,001 |
| 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 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 ».