Assessing the impacts of temperature extremes on agriculture yield and projecting future extremes using machine learning and deep learning approaches with CMIP6 data
Notice bibliographique
Résumé
Climate change, particularly extreme weather events, has significantly affected various sectors, including agriculture, human health, water resources, sea levels, and ecosystems. It is anticipated that the intensity, duration, and frequency of these extremes will escalate in the future. This study aims to discover the association between temperature extremes and agricultural yield and to project these extremes using machine learning (ML) and deep learning (DL) models with CMIP6 (Coupled Model Intercomparison Project Phase 6) data under two SSPs (Shared Socioeconomic Pathways). A bi-wavelet coherence technique is employed to investigate the association, providing detailed information in both the frequency and time domains for the period of 1980–2014. Various ML and DL models are trained and tested for the periods of 1985–2004 and 2005–2014, respectively, with gradient boosting machine chosen for projecting temperature extremes based on its superior performance. Mann-Kendall test is used for trend analysis in the projected temperature extremes. The results indicate strong negative and positive associations between TN10p (Cold nights) and TN90p (Warm nights), respectively, with wheat production. Additionally, there is a long-term negative association of CSDI (Cold Spell Duration Indicator) and strong positive association of WSDI (Warm Spell Duration Indicator) with rice yield. Projected results show an increase and decrease under SSP2-4.5 and SSP5-8.5, respectively, in DTR (Diurnal Temperature Range) at most stations. TN10p will increase in the future at most stations, with exceptions such as Muree station where it decreases during 2025–2049 and then increases under both SSPs. Projections show that TXn (annual or monthly minimum value of daily maximum temp) will increase in the future, with Muree station exhibiting the lowest value close to zero, while the average maximum value is around 20 °C at Khanpur station. Trend analysis reveals significantly increasing trend in TR20 (Tropical nights) and decreasing trend in CSDI in future durations under both SSPs. These findings hold implications for policymakers and stakeholders in various departments, including agriculture, health, and water resources management.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».