Projecting future changes in potato yield using machine learning techniques: a case study for Prince Edward Island, Canada
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Accurate prediction of potato yield is essential for informed agricultural decision-making, ensuring food security, and supporting farmers’ livelihoods. This is particularly critical in regions like Prince Edward Island (PEI), where potato production is not only a staple of local agriculture but also a cornerstone of the regional economy, accounting for a significant proportion of agricultural revenue and employment. Although machine learning algorithms have been extensively applied in agricultural yield prediction, previous studies have not fully leveraged the potential of capturing both short- and long-term dependencies. This research highlights the efficacy of integrating these temporal dependencies into machine learning models to enhance the accuracy of potato yield predictions. The methodology adopted in this research, including data collection, model selection, and scenario-based projections, can be applied to other regions and crops. Our projections for PEI toward the end of the century indicate a substantial decline in potato yields across different climate scenarios. Under the high-emission SSP5-8.5 scenario, our models predict a potential potato yield reduction of up to 70%. In contrast, the SSP1 and SSP2 scenarios suggest a more moderate decline in potato yield, ranging from 4% to 15%. These findings underscore the urgent need for reducing greenhouse gas emissions to mitigate the adverse impacts on potato production. Furthermore, they highlight the importance of implementing adaptive farming practices to sustain potato yield in the face of climate change.
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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle