In-season performance of European Union wheat forecasts during extreme impacts
Notice bibliographique
Résumé
Here we assess the quality and in-season development of European wheat (Triticum spp.) yield forecasts during low, medium, and high-yielding years. 440 forecasts were evaluated for 75 wheat forecast years from 1993–2013 for 25 European Union (EU) Member States. By July, years with median yields were accurately forecast with errors below ~2%. Yield forecasts in years with low yields were overestimated by ~10%, while yield forecasts in high-yielding years were underestimated by ~8%. Four-fifths of the lowest yields had a drought or hot driver, a third a wet driver, while a quarter had both. Forecast accuracy of high-yielding years improved gradually during the season, and drought-driven yield reductions were anticipated with lead times of ~2 months. Single, contrasting successive in-season, as well as spatially distant dry and wet extreme synoptic weather systems affected multiple-countries in 2003, ’06, ’07, ’11 and 12’, leading to wheat losses up to 8.1 Mt (>40% of total EU loss). In these years, June forecasts (~ 1-month lead-time) underestimated these impacts by 10.4 to 78.4%. To cope with increasingly unprecedented impacts, near-real-time information fusion needs to underpin operational crop yield forecasting to benefit from improved crop modelling, more detailed and frequent earth observations, and faster computation.
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 | 0,001 | 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 | 0,001 |
| 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 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 ».