Multivariate time series convolutional neural networks for long-term agricultural drought prediction under global warming
Notice bibliographique
Résumé
Agricultural drought (AD) is disastrous to crop production and plant growth. The prediction of AD with sufficient lead time is helpful for developing agricultural water strategy, particularly under the context of global warming. However, the previous studies mainly focused on short lead times (1–6 months) and only used 3 or less variables to predict AD through copula models. In this study, a novel multivariate time series convolutional neural network (T-CNN) is developed to predict AD with long lead times based on multiple meteorological variables. To demonstrate its feasibility and novelty, T-CNN is used in the Aral Sea Basin (ASB) where agricultural production is dominant. Three global climate models (GCMs) and three shared socioeconomic pathways (SSPs) from CMIP6 are considered during 2026–2100. Results indicate that (1) precipitation, temperature, potential evapotranspiration, relative humidity and northward wind are significantly correlated with AD, and are selected as the predictors of AD; (2) compared with the conventional CNN and convolutional long short-term memory (ConvLSTM), T-CNN’s performance is better, taking only about 10% of the computation time of ConvLSTM; (3) T-CNN can effectively extract the spatiotemporal characteristics of meteorological predictors and reproduce AD, showing high correlation coefficients (R>0.9) for 92.5% of the grids across ASB; (4) the result of simple model averaging (SMA) is better than other GCMs, indicating that the spatial differences in AD would become more pronounced with increasing time and emission level; (5) compared with the historical period, under SSP585, the extreme drought would increase 0.20 months/year (2026–2050), 0.23 months/year (2051–2075) and 0.28 months/year (2076–2100). The results highlight the spatiotemporal variation of AD in 21st century with a high resolution (0.1°×0.1°), which can provide scientific support for agricultural water management and long-term drought prevention in ASB.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».