Sunflower yield modeling with explainable artificial intelligence: Historical weather impacts across half a century of American production
Notice bibliographique
Résumé
Abstract This study applies explainable artificial intelligence (XAI) to analyze the impact of inter‐year variation in weather conditions on yields of oilseed sunflower ( Helianthus annuus L.) across the United States. By integrating historical county‐level yield data from 1976 to 2022 with monthly meteorological data over the same period, we identified key weather predictors influencing sunflower yields at national and state levels along with critical yield‐sensitive threshold temperature and precipitation values that predict reduced yield. Across the sunflower production range, the most critical climate variables identified are July and August maximum temperatures and total precipitation, reflecting yield vulnerability to summer heat waves and drought during budding and flowering. Secondarily, overly cool temperatures during spring planting and establishment (May–June) reduce yields, as do overly cool end‐of‐season temperatures during seed maturation and harvest (September–October), indicating risk of frost or insufficient growing degree days to support plant development. Winter precipitation and temperatures were also detected as important to overall yield dynamics, in particular where wetter winters benefitted yields. Specific temperature and precipitation tipping points vary across the geographic extent of production, but align with existing agronomic knowledge. Our XAI approach enhances model transparency, offering valuable insights for farmers and policymakers to develop adaptive strategies for sunflower cultivation under climate change. Future research incorporating additional factors like soil characteristics and agricultural practices can further refine yield predictions.
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 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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 tête enseignante, 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 ».