Threats posed by green water change to rainfed crop production globally and in Finland.
Notice bibliographique
Résumé
Globally, rainfed agriculture accounts for 75% of total cropland and is crucial for food production. However, green water changes (soil moisture accessible to plants), driven by climate change and other factors, pose notable threats to these systems. While many studies focus on the immediate impacts of green water changes on rainfed crop yields, the cumulative threats over multiple years remain underexplored. This study introduces an innovative approach by adapting the global water risk framework to evaluate the impact of green water changes on rainfed crop production over the past 60 years, both globally and in Finland. The findings highlight hotspots for rainfed maize, wheat, and soybean in the USA, Canada, Brazil, Argentina, Serbia, China, and India, largely due to high production levels and substantial green water changes, except for India, where production density is lower despite notable changes in green water. In Eastern Europe, countries like Ukraine, Romania, Bulgaria, and Hungary are identified as hotspots for maize and wheat, while African countries such as Nigeria, Ethiopia, and Uganda emerge as hotspots for maize production. In Finland, hotspot regions are found in Päijänne Tavastia, South Karelia, and Kymenlaakso, though the country does not face the highest threat on a global scale. This study underscores the urgency of addressing vulnerabilities in these hotspot regions to safeguard rainfed agriculture and enhance global food security in the face of green water challenges.
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 | 0,000 |
| 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 | 0,001 |
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 ».