Temporal Rainfall Variations Induce Forecast Errors in Rainfed Agriculture in the Brazilian State of Ceará, Brazil
Notice bibliographique
Résumé
The research aims to: a) assess the instabilities associated with rainfall and the variables that define the production of rice, beans, cassava and corn in the state of Ceará between 1945 and 2020; b) estimate models that can be used to make projections of harvested areas, yields and prices for these crops between 1945 and 2020; c) assess the impact of rainfall on the estimated forecasting models; d) assess how rainfall affects the likelihood of farmers making forecasts of the variables that define agricultural production. Rainfall data was obtained from the National Centers for Environmental Information (NOAA). Crop yield data came from the Brazilian Institute of Geography and Statistics (IBGE). Instabilities were measured by the coefficients of variation. ARIMA models (autoregressive, integrated and moving average model) were used to make the forecasts. The hypothesis that the residuals generated by the models are influenced by annual rainfall was tested. The results showed high instabilities in annual rainfall, which spread to the variables that define crop yields. Parsimonious and robust adjustments were obtained from a statistical point of view and it was shown that the errors generated, including their magnitudes, in the models used to forecast all the variables that define bean and corn yields, harvested areas and rice yields, as well as cassava yields, are influenced by annual rainfall in Ceará between 1945 and 2020.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».