Remote sensing-based spatiotemporal assessment of agricultural drought and its impact on crop yields in Punjab, Pakistan
Notice bibliographique
Résumé
Long-term meteorological droughts disrupt hydrological balances and lead to agricultural droughts that affect crop yield. This study uses remote sensing techniques to analyze agricultural droughts in Punjab, Pakistan, over two decades. From MODIS satellite data, three drought indices, such as vegetation condition index (VCI), temperature condition index (TCI), and vegetation health index (VHI), were generated to identify drought years and assess agricultural impacts during the rabi and kharif cropping seasons from 2001 to 2020. Standardized Yield Residual Series (SYRS) and Standardized Drought Residual Series (SDRS) were used to evaluate the impact of agriculture droughts on rabi crops (wheat, barley, gram) and kharif crops (sugarcane, rice, maize, cotton) and to compute Crop Drought Resilience (CDR). Results showed that Punjab experienced extreme to mild droughts from 2001 to 2018, notably in 2002 and 2008, with yield losses of 39% for rice, 34% for sugarcane, and 25% for wheat. The Mann-Kendall (MK) test indicated a significant ( p < 0.001) upward trend in VHI for both cropping seasons, with trend breakpoints in 2009 and 2010. Stepwise linear regression found VHI was most predictive for gram yield (R 2 = 0.49), while VCI was most predictive for sugarcane (R 2 = 0.56) and rice (R 2 = 0.29). Polynomial regression demonstrated that SYRS gram is highly influenced by all drought indices, especially SDRS VHI (R 2 = 0.49), followed by SDRS VCI (R 2 = 0.44) and SDRS TCI (R 2 = 0.28). SYRS sugarcane and SYRS rice crops were primarily affected by SDRS VCI , with correlation coefficients of R 2 = 0.62 for sugarcane and R 2 = 0.33 for rice. This study concludes that gram, sugarcane, and wheat exhibit high to moderate non-resilience under extreme drought conditions, highlighting the vulnerability of these crops to climate variability. These findings are essential for developing targeted adaptation strategies to mitigate yield loss and ensure sustainable agriculture.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| 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 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 ».