Exposure of global agricultural lands to extreme weather using CMIP6 projections of future climate
Notice bibliographique
Résumé
Abstract As climate change intensifies, extreme weather is becoming a major threat to global food security. Yet we still lack a good understanding of how these extremes will be distributed across the world’s agricultural lands—particularly across small versus large croplands and pasturelands. In this study, we assess their exposure to extreme weather in a warming world. In a world that is 2 °C warmer than today, 25% (11 million km 2 ) of present-day agricultural lands will face over two months of extreme heat, up from 16% today (7 million km 2 ), and another ∼2% (5 million km 2 ) will be exposed to a combination of two or more extremes, up from 10% (4 million km 2 ). The total area exposed to prolonged dry conditions and extreme precipitation will remain unchanged (less than 1% or 5 million km 2 , with increases in some regions balanced by decreases elsewhere), while ∼2% less area (2 million km 2 ), down from 7% (3 million km 2 ), will experience a month of frost. Future exposure to extreme weather varies by land use type. Pasturelands will experience prolonged exposure to heat stress, whereas croplands will be exposed to higher excessive rains and heat stress combined. Spatial correlations between farm size and geography indicate potential differences in exposure. Exposure to extreme precipitation and heat stress is highest in small (1–2 ha) and medium (2–4 ha) cropland and pastureland, respectively. These findings offer a preliminary global assessment of how exposure to extreme weather varies by farm size and land use, underscoring the need for tailored adaptation strategies to safeguard food security in a warming world.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».