Probabilistic Assessment of Crop Yield Loss Under Drought and Global Warming in the Canadian Prairies
Notice bibliographique
Résumé
This study assessed the vulnerability of canola, spring wheat, and barley yields in the Canadian Prairies to drought stress under future climate scenarios, integrating DSSAT crop models with NEX-GDDP CMIP6 projections and probabilistic copula analysis. The DSSAT simulations reproduced historical yields with high accuracy (d > 0.7, nRMSE < 15–20%), confirming its applicability for Prairie agroecosystems. Results indicate distinct crop-specific sensitivities to warming: barley showed relative resilience with modest yield gains (~10%) at 1.5–2 °C of global warming (GW), wheat exhibited heterogeneous responses with early minor gains (~1%) followed by declines (~8%) beyond 3 °C of GW, and canola displayed consistent and substantial losses (20–37%) even under moderate warming. Spatial analysis highlighted relatively stable regions in northern Alberta, central Saskatchewan, and southern Manitoba (Gray and Black soil zones), while the southern and southwestern Prairie areas (Brown and Black-Brown zones) showed the greatest yield declines. Copula-based analysis further revealed that canola is most vulnerable to dry conditions, with yield exceedance probabilities falling from 62% (wet years) to ~25–28% (dry years) under GW. These findings underscore that Prairie crop production faces increasingly heterogeneous risks, with canola emerging as the most climate-sensitive crop. Targeted adaptation strategies such as stress-tolerant cultivars, shifting cropping zones, and improved water management will be essential to mitigate projected drought impacts and sustain Prairie agricultural productivity.
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 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».