Crop Model Ensemble Averaging: A Large But Underappreciated Uncertainty Source for Global Crop Yield Projections Under Climate Change
Notice bibliographique
Résumé
Abstract Using an ensemble of crop models have been encouraged for global crop yield projections, which would, however, introduce additional uncertainty from the choice of ensemble averaging methods. Here, we use seven ensemble averaging methods including simple average, regression, Support Vector Regressor, Bayesian model average (BMA), Random Forest (RF), Artificial neural network (ANN) and Long‐short term memory to derive the ensemble mean of eight process‐based crop models for global maize yield projections. Results show that the choice of ensemble averaging methods has a large impact on the projection of long‐term mean yield and year‐to‐year yield variability, with a range of −19.79%–16.62% and −47.92%–55.39% for the globe, respectively. Regionally, the largest uncertainties from the choice of ensemble averaging methods are observed in Indonesia and Canada. Further uncertainty decomposition analysis shows that ensemble averaging methods contributes to 39%–87% of total uncertainties for global yield projections, which is even higher than climate models. These results imply that although using an ensemble of crop models is valuable for informing risk‐based policy‐makings, how we choose to combine and derive the best estimates of crop model ensembles has large influence on the assessment outcomes. This study highlights an important but not well recognized uncertainty source for global yield predictions which arises from the choice of ensemble averaging methods.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».