Temporal relationships between agricultural and meteorological drought over the Oum Er Rbia River, Morrocco
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
This study examines the temporal relationships between meteorological and agricultural drought indices using lagged and linear correlations, the Mann–Kendall trend test, and machine learning (random forest – RF and deep neural network – DNN). On a seasonal and annual scale, the results revealed that the resonance of agricultural drought is strongly synchronized with the temporal variability of meteorological drought. At the monthly scale, the resonance of agricultural drought reflected by the vegetation condition index and the soil moisture condition index (SMCI) has an obvious latency time of at least one month and is statistically significant up to three months. For both agricultural drought indices, their statistical relationships with meteorological drought indices are highly variable, depending on the month of the agricultural season, the time scale and the type of meteorological drought index. The correlations between the SMCI and Palmer drought severity index were the most stable. They ranged from 0.7 to 0.86, whereas the linear correlations between the SMCI and the precipitation conditions index varied from 0.5 to 0.16 in the first and last months of the agricultural season, respectively. Despite this high correlation variability, analysis of historical trends on an annual scale demonstrated the existence of obvious similarities of very negative trends in the spatiotemporal changes in agricultural and meteorological drought indices. Similarly, machine learning models highlighted the importance of the positive relative contribution of their joint occurrence to the annual variability in agricultural yields. Overall, the RF model achieved optimal performance with a relatively small number of predictors, whereas the DNN model was more dependent on the number of features used.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle