CCL

Összesen 47 találat.
#/oldal:
Részletezés:
Rendezés:

1.

001-es BibID:BIBFORM105969
035-os BibID:(WOS)000888719300006 (Scopus)85142617906
Első szerző:Alsafadi, Karam
Cím:Spatial-temporal dynamic impact of changes in rainfall erosivity and vegetation coverage on soil erosion in the Eastern Mediterranean / Karam Alsafadi, Shuoben Bi, Hazem Ghassan Abdo, Mario J. Al Sayah, Tamás Ratonyi, Endre Harsanyi, Safwan Mohammed
Dátum:2022
ISSN:0944-1344 1614-7499
Megjegyzések:In Syria, soil erosion (SoEr) by water is one of the major challenges for sustainability. Thus, the main goals of this research were to evaluate the spatial changes of SoEr between 2000 and 2018 in the whole coastal basin (CB) of Syria and to provide a soil water erosion risk map for the study area. For this purpose, monthly rainfall data, the SoilGrids dataset, satellite image derived NDVI layers, and Digital Elevation Model (DEM) were collected. Through the integration of these layers into the Revised Universal Soil Loss Equation (RUSLE), under a Geographic Information System (GIS), soil loss was assessed. Also, the contribution of land cover changes and R factor on SoEr were evaluated. The outcomes of this assessment illustrated that the R factor ranged from 800 to 2600 MJ mm ha(-)1 h(-1) yr(-1), while the soil erodibility factor (K factor) ranged from 0.048 to 0.035 ton ha MJ(-1) mm(-1). The C factor (vegetation coverage) values ranged between 0.07 and 1 with a spatial average value of 0.44 for the 2000-2009 period and 0.39 for the 2010-2018 interval. The output of RUSLE revealed that average annual SoEr was of 21.35 ton ha(-1) y(-1) (+/- 38) for 2000-2009 and 22.47 ton ha(-1) y(-1)(+/- 41.8) for 2010-2018. Interestingly, the increased SoEr caused by the R factor was dominant (34.65%), followed by changes in both C factor and R factor (13.34%). However, decrease of SoEr rates is due to the increase of the C factor accounting for 36.82% of the CB. The outcome of this research can provide constructive spatial insights for rehabilitation plans for the post-war phase of Syria.
Tárgyszavak:Természettudományok Környezettudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Land degradation
Runoff
erodibility
Modeling
Erosivity
RUSLE
WEPP
vegetation coverage
Megjelenés:Environmental Science And Pollution Research. - [Epub ahead of print] (2022). -
További szerzők:Bi, Shuoben Abdo, Hazem Ghassan Al Sayah, Mario J. Rátonyi Tamás (1967-) (agrármérnök) Harsányi Endre (1976-) (agrármérnök) Mohammed Safwan (1985-) (agrármérnök)
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

2.

001-es BibID:BIBFORM100101
035-os BibID:(cikkazonosító)307
Első szerző:Alsafadi, Karam
Cím:Land suitability evaluation for citrus cultivation (Citrus ssp.) in the southwestern Egyptian delta: a GIS technique-based geospatial MCE-AHP framework / Karam Alsafadi, Shuoben Bi, Bashar Bashir, Ali Hagras, Basma Alatrach, Endre Harsanyi, Abdullah Alsalman, Safwan Mohammed
Dátum:2022
ISSN:1866-7511 1866-7538
Tárgyszavak:Agrártudományok Növénytermesztési és kertészeti tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Megjelenés:Arabian Journal of Geosciences. - 15 : 3 (2022), p. 1-17. -
További szerzők:Bi, Shuoben Bashir, Bashar Hagras, Ali Alatrach, Basma Harsányi Endre (1976-) (agrármérnök) Alsalman, Abdullah Mohammed Safwan (1985-) (agrármérnök)
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

3.

001-es BibID:BIBFORM083776
Első szerző:Alsafadi, Karam
Cím:Spatial-Temporal Evolution of Drought Characteristics Over Hungary Between 1961 and 2010 / K. Alsafadi, S. A. Mohammed, B. Ayugi, M. Sharaf, E. Harsányi
Dátum:2020
ISSN:0033-4553
Tárgyszavak:Agrártudományok Erdészeti és vadgazdálkodási tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Megjelenés:Pure And Applied Geophysics. - 177 (2020), p. 3961-3978. -
További szerzők:Mohammed Safwan (1985-) (agrármérnök) Ayugi, B. Sharaf, M. Harsányi Endre (1976-) (agrármérnök)
Pályázati támogatás:NKFIH-1150-6/2019
Egyéb
GINOP-2.2.1-15-2016-00001
GINOP
EFOP-3.6.3-VEKOP-16-2017-00008
EFOP
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

4.

001-es BibID:BIBFORM117451
035-os BibID:(cikkazonosító)100323 (WoS)001134137300001 (Scopus)85179467649
Első szerző:Altouma, Ahmed
Cím:An environmental impact assessment of Saudi Arabia's vision 2030 for sustainable urban development : a policy perspective on greenhouse gas emissions / Ahmed Altouma, Bashar Bashir, Behnam Ata, Akasairi Ocwa, Abdullah Alsalman, Endre Harsányi, Safwan Mohammed
Dátum:2024
ISSN:2665-9727
Megjegyzések:Globally, countries are legitimizing actions to curtail the malevolent impacts of environmental degradation. This study examined the interaction between CO2 emissions and selected economic variables within the framework of Saudi Arabia's Vision 2030. The Autoregressive distributed lag model (ARDL) was used to analyze the long-run relationships and short-run dynamics between studied variables (1970-2020). The Mann-Kendall (MK) test revealed a significant (p < 0.05) positive increase of GHGs emissions from all sectors across the KSA. The highest increased were captured at the electricity and heat by 7345454.47 tonnes of carbon dioxide-equivalents/year (p < 0.05). On the hand, the ARDL model indicates that GDP, agriculture, industry, services, and oil production have short-term effects on the environment through CO2 emissions. Therefore, GDP, agriculture, services and oil production contribute to increases in CO2 emissions. While industry contributes to decrease in CO2 emissions. The ARDL model also showed that an increase in GDP of 1 percent increases CO2 emissions by 3.46 percent, while an increase in oil production of 1 percent increases CO2 emissions by 4.04 percent. However, an increase in industry of 1 percent decreases CO2 emissions by 7.25 percent. The output of this research has a policy implication for addressing environmental concerns in the country.
Tárgyszavak:Természettudományok Földtudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Net-zero emissions
Saudi vision
ARDL
Sustainable societies
Climate change
Megjelenés:Environmental and Sustainability Indicators. - 21 (2024), p. 1-13. -
További szerzők:Bashir, Bashar Ata Behnam (1991-) (Geográfus PhD hallgató) Ocwa, Akasairi (1987-) (Crop scientist) Alsalman, Abdullah Harsányi Endre (1976-) (agrármérnök) Mohammed Safwan (1985-) (agrármérnök)
Pályázati támogatás:TKP2021-NKTA-32
Egyéb
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

5.

001-es BibID:BIBFORM100395
035-os BibID:(cikkazonosító)516 (WoS)000764830200001 (Scopus)85125038156
Első szerző:Elbeltagi, Ahmed
Cím:Combination of Limited Meteorological Data for Predicting Reference Crop Evapotranspiration Using Artificial Neural Network Method / Ahmed Elbeltagi, Attila Nagy, Safwan Mohammed, Chaitanya B. Pande, Manish Kumar, Shakeel Ahmad Bhat, József Zsembeli, László Huzsvai, János Tamás, Elza Kovács, Endre Harsányi, Csaba Juhász
Dátum:2022
ISSN:2073-4395
Megjegyzések:Reference crop evapotranspiration (ETo) is an important component of the hydrological cycle that is used for water resource planning, irrigation, and agricultural management, as well as in other hydrological processes. The aim of this study was to estimate the ETo based on limited meteorological data using an artificial neural network (ANN) method. The daily data of minimum temperature (Tmin), maximum temperature (Tmax), mean temperature (Tmean), solar radiation (SR), humidity (H), wind speed (WS), sunshine hours (Ssh), maximum global radiation (gradmax), minimum global radiation (gradmin), day length, and ETo data were obtained over the long-term period from 1969 to 2019. The analysed data were divided into two parts from 1969 to 2007 and from 2008 to 2019 for model training and testing, respectively. The optimal ANN for forecasting ETo included Tmax, Tmin, H, and SR at hidden layers (4, 3); gradmin, SR, and WS at (6, 4); SR, day length, Ssh, and Tmean at (3, 2); all collected parameters at hidden layer (5, 4). The results showed different alternative methods for estimation of ETo in case of a lack of climate data with high performance. Models using ANN can help promote the decision-making for water managers, designers, and development planners.
Tárgyszavak:Agrártudományok Növénytermesztési és kertészeti tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Megjelenés:Agronomy-Basel. - 12 : 2 (2022), p. 1-18. -
További szerzők:Nagy Attila (1982-) (környezetgazdálkodási agrármérnök) Mohammed Safwan (1985-) (agrármérnök) Pande, Chaitanya Kumar, Manish Bhat, Shakeel Ahmad Zsembeli József (1967-) (agrármérnök) Huzsvai László (1961-) (talajerőgazdálkodási szakmérnök, agrármérnök) Tamás János (1959-) (környezetgazdálkodási agrármérnök) Kovács Elza (1976-) (okleveles vegyész, angol-magyar szakfordító, anyagmérnök MSc) Harsányi Endre (1976-) (agrármérnök) Juhász Csaba (1962-) (környezetgazdálkodási agrármérnök)
Pályázati támogatás:TKP2020-IKA-04
Egyéb
KP2021-NKTA-32
Egyéb
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

6.

001-es BibID:BIBFORM111452
035-os BibID:(cikkazonosító)1297 (Scopus)85160411163 (WoS)000994795300001
Első szerző:Harsányi Endre (agrármérnök)
Cím:Data Mining and Machine Learning Algorithms for Optimizing Maize Yield Forecasting in Central Europe / Endre Harsányi, Bashar Bashir, Sana Arshad, Akasairi Ocwa, Attila Vad, Abdullah Alsalman, István Bácskai, Tamás Rátonyi, Omar Hijazi, Adrienn Széles, Safwan Mohammed
Dátum:2023
ISSN:2073-4395
Megjegyzések:Artificial intelligence, specifically machine learning (ML), serves as a valuable tool for decision support in crop management under ongoing climate change. However, ML implementation to predict maize yield is still limited in Central Europe, especially in Hungary. In this context, we assessed the performance of four ML algorithms (Bagging (BG), Decision Table (DT), Random Forest (RF) and Artificial Neural Network-Multi Layer Perceptron (ANN-MLP)) in predicting maize yield based on four different input scenarios. The collected data included both agricultural data (production (PROD) (ton) and maize cropped area (AREA) (ha)) and climate data (annual mean temperature ?C (Tmean), precipitation (PRCP) (mm), rainy days (RD), frosty days (FD) and hot days (HD)). This research adopted four scenarios, as follows: SC1: AREA+ PROD+ Tmean+ PRCP+ RD+ FD+ HD; SC2: AREA+ PROD; SC3: Tmean+ PRCP+ RD+ FD+ HD; and SC4: AREA+ PROD+ Tmean+ PRCP. In the training stage, ANN-MLP-SC1 and ANN-MLP-SC4 outperformed other ML algorithms; the correlation coefficient (r) was 0.99 for both, while the root mean squared errors (RMSEs) were 107.9 (ANN-MLP-SC1) and 110.7 (ANN-MLP-SC4). In the testing phase, the ANN-MLP-SC4 had the highest r value (0.96), followed by ANN-MLP-SC1 (0.94) and RF-SC2 (0.94). The 10-fold cross validation also revealed that the ANN-MLP-SC4 and ANN-MLP-SC1 have the highest performance. We further evaluated the performance of the ANN-MLP-SC4 in predicting maize yield on a regional scale (Budapest). The ANN-MLP-SC4 succeeded in reaching a high-performance standard (r = 0.98, relative absolute error = 21.87%, root relative squared error = 20.4399% and RMSE = 423.23). This research promotes the use of ANN as an efficient tool for predicting maize yield, which could be highly beneficial for planners and decision makers in developing sustainable plans for crop management.
Tárgyszavak:Agrártudományok Növénytermesztési és kertészeti tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
maize yield
climate
multilayer perceptron
random forest
optimum model
Megjelenés:Agronomy-Basel. - 13 : 5 (2023), p. 1-22. -
További szerzők:Bashir, Bashar Arshad, Sana Ocwa, Akasairi (1987-) (Crop scientist) Vad Attila (1981-) (agrármérnök) Alsalman, Abdullah Bácskai István (1985-) (Okleveles gépészmérnök) Rátonyi Tamás (1967-) (agrármérnök) Hijazi, Omar Széles Adrienn (1980-) (okleveles agrármérnök) Mohammed Safwan (1985-) (agrármérnök)
Pályázati támogatás:TKP2021-NKTA-32
Egyéb
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

7.

001-es BibID:BIBFORM103468
035-os BibID:(cikkazonosító)10653 (WOS)000851188400001 (Scopus)85137562006
Első szerző:Harsányi Endre (agrármérnök)
Cím:Predicting Modified Fournier Index by Using Artificial Neural Network in Central Europe / Endre Harsányi, Bashar Bashir, Firas Alsilibe, Muhammad Farhan Ul Moazzam, Tamás Ratonyi, Abdullah Alsalman, Adrienn Széles, Aniko Nyeki, István Takács, Safwan Mohammed
Dátum:2022
ISSN:1661-7827 1660-4601
Megjegyzések:The Modified Fournier Index (MFI) is one of the indices that can assess the erosivity of rainfall. However, the implementation of the artificial neural network (ANN) for the prediction of the MFI is still rare. In this research, climate data (monthly and yearly precipitation (pi, Ptotal) (mm), daily maximum precipitation (Pd-max) (mm), monthly mean temperature (Tavg) ( C), daily maximum mean temperature (Td-max) ( C), and daily minimum mean temperature (Td-min) ( C)) were collected from three stations in Hungary (Budapest, Debrecen, and Pécs) between 1901 and 2020. The MFI was calculated, and then, the performance of two ANNs (multilayer perceptron (MLP) and radial basis function (RBF)) in predicting the MFI was evaluated under four scenarios. The average MFI values were between 66.30 15.40 (low erosivity) in Debrecen and 75.39 15.39 (low erosivity) in Pecs. The prediction of the MFI by using MLP was good (NSEBudapest(SC3) = 0.71, NSEPécs(SC2) = 0.69). Additionally, the performance of RBF was accurate (NSEDebrecen(SC4) = 0.68, NSEPécs(SC3) = 0.73). However, the correlation coefficient between the observed MFI and the predicted one ranged between 0.83 (Budapest (SC2-MLP)) and 0.86 (Pécs (SC3-RBF)). Interestingly, the statistical analyses promoted SC2 (Pd-max + pi + Ptotal) and SC4 (Ptotal + Tavg + Td-max + Td-min) as the best scenarios for predicting MFI by using the ANN?MLP and ANN?RBF, respectively. However, the sensitivity analysis highlighted that Ptotal, pi, and Td-min had the highest relative importance in the prediction process. The output of this research promoted the ANN (MLP and RBF) as an effective tool for predicting rainfall erosivity in Central Europe.
Tárgyszavak:Társadalomtudományok Szociológiai tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
land degradation
machine learning
climate change
Hungary
Megjelenés:International Journal of Environmental Research and Public Health. - 19 : 17 (2022), p. 1-19. -
További szerzők:Bashir, Bashar Alsilibe, Firas Moazzam, Muhammad Farhan Ul Rátonyi Tamás (1967-) (agrármérnök) Alsalman, Abdullah Széles Adrienn (1980-) (okleveles agrármérnök) Nyéki Anikó (1989-) (agrármérnök) Takács István (1977-) (terület és településfejlesztési egyetemi szakközgazdász) Mohammed Safwan (1985-) (agrármérnök)
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

8.

001-es BibID:BIBFORM097277
035-os BibID:(cikkazonosító)1339
Első szerző:Harsányi Endre (agrármérnök)
Cím:Impact of Agricultural Drought on Sunflower Production across Hungary / Endre Harsányi, Bashar Bashir, Firas Alsilibe, Karam Alsafadi, Abdullah Alsalman, Adrienn Széles, Muhammad Habib ur Rahman, István Bácskai, Csaba Juhász, Tamás Ratonyi, Safwan Mohammed
Dátum:2021
ISSN:2073-4433 2073-4433
Megjegyzések:In the last few decades, agricultural drought (Ag.D) has seriously affected crop production and food security worldwide. In Hungary, little research has been carried out to assess the impacts of climate change, particularly regarding droughts and crop production, and especially on regional scales. Thus, the main aim of this study was to evaluate the impact of agricultural drought on sunflower production across Hungary. Drought data for the Standardized Precipitation Index (SPI) and the Standardized Precipitation Evapotranspiration Index (SPEI) were collected from the CAR BATCLIM database (1961?2010), whereas sunflower production was collected from the Hungarian national statistical center (KSH) on regional and national scales. To address the impact of Ag.D on sunflower production, the sequence of standardized yield residuals (SSYR) and yield losses YlossAD was applied. Additionally, sunflower resilience to Ag.D (SRAg.D) was assessed on a regional scale. The results showed that Ag.D is more severe in the western regions of Hungary, with a significantly positive trend. Interestingly, drought events were more frequent between 1990 and 2010. Moreover, the lowest SSYR values were reported as ?3.20 in the Hajdu-Bihar region (2010). In this sense, during the sunflower growing cycle, the relationship between SSYR and Ag.D revealed that the highest correlations were recorded in the central and western regions of Hungary. However, 75% of the regions showed that the plantation of sunflower is not resilient to drought where SRAg.Dx < 1. To cope with climate change in Hungary, an urgent mitigation plan should be implemented.
Tárgyszavak:Agrártudományok Növénytermesztési és kertészeti tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Megjelenés:Atmosphere. - 12 : 10 (2021), p. 1-18. -
További szerzők:Bashir, Bashar Alsilibe, Firas Alsafadi, Karam Alsalman, Abdullah Széles Adrienn (1980-) (okleveles agrármérnök) Rahman, Muhammad Habib ur Bacskai István Juhász Csaba (1962-) (környezetgazdálkodási agrármérnök) Rátonyi Tamás (1967-) (agrármérnök) Mohammed Safwan (1985-) (agrármérnök)
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

9.

001-es BibID:BIBFORM097275
035-os BibID:(cikkazonosító)6495 (WoS)000713999600001 (Scopus)85125205821
Első szerző:Harsányi Endre (agrármérnök)
Cím:GHGs Emission from the Agricultural Sector within EU-28: A Multivariate Analysis Approach / Endre Harsányi, Bashar Bashir, Gafar Almhamad, Omar Hijazi, Mona Maze, Ahmed Elbeltagi, Abdullah Alsalman, Glory O. Enaruvbe, Safwan Mohammed, Szilárd Szabó
Dátum:2021
ISSN:1996-1073
Tárgyszavak:Agrártudományok Növénytermesztési és kertészeti tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Megjelenés:Energies. - 14 : 20 (2021), p. 1-18. -
További szerzők:Bashir, Bashar Gafar, Almhamad (1993-) Hijazi, Omar Maze, Mona Elbeltagi, Ahmed Alsalman, Abdullah Enaruvbe, Glory O. Mohammed Safwan (1985-) (agrármérnök) Szabó Szilárd (1974-) (geográfus)
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

10.

001-es BibID:BIBFORM099676
035-os BibID:(cikkazonosító)48 (WoS)000756930700001 (Scopus)85122788459
Első szerző:Huzsvai László (talajerőgazdálkodási szakmérnök, agrármérnök)
Cím:Novel Approach for Statistical Interpretation: A Case Study from Long-Term Crop Production Experiments (Hungary) / László Huzsvai, Safwan Mohammed, Endre Harsányi, Adrienn Széles
Dátum:2022
ISSN:2311-7524
Tárgyszavak:Agrártudományok Növénytermesztési és kertészeti tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Megjelenés:Horticulturae. - 8 : 1 (2022), p. 1-12. -
További szerzők:Mohammed Safwan (1985-) (agrármérnök) Harsányi Endre (1976-) (agrármérnök) Széles Adrienn (1980-) (okleveles agrármérnök)
Pályázati támogatás:EFOP-3.6.3-VEKOP-16-2017-00008
EFOP
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

11.

001-es BibID:BIBFORM095841
035-os BibID:(Scopus)85111353006
Első szerző:Khallouf, Alaa
Cím:Risk assessment of soil erosion by using CORINE model in the western part of Syrian Arab Republic / Alaa Khallouf, Swapan Talukdar, Endre Harsányi, Hazem Ghassan Abdo, Safwan Mohammed
Dátum:2021
ISSN:2048-7010
Tárgyszavak:Agrártudományok Növénytermesztési és kertészeti tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Megjelenés:Agriculture & Food Security. - 10 : 1 (2021), p. 1-15. -
További szerzők:Talukdar, Swapan Harsányi Endre (1976-) (agrármérnök) Abdo, Hazem Ghassan Mohammed Safwan (1985-) (agrármérnök)
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

12.

001-es BibID:BIBFORM119276
035-os BibID:(cikkazonosító)130968 (Scopus)85187128031
Első szerző:Mohammed Safwan (agrármérnök)
Cím:Utilizing machine learning and CMIP6 projections for short-term agricultural drought monitoring in central Europe (1900-2100) / Safwan Mohammed, Sana Arshad, Firas Alsilibe, Muhammad Farhan Ul Moazzam, Bashar Bashir, Foyez Ahmed Prodhan, Abdullah Alsalman, Attila Vad, Tamás Ratonyi, Endre Harsányi
Dátum:2024
ISSN:0022-1694
Megjegyzések:Water availability for agricultural practices is dynamically influenced by climatic variables, particularly droughts. Consequently, the assessment of drought events is directly related to the strategic water management in the agricultural sector. The application of machine learning (ML) algorithms in different scenarios of climatic variables is a new approach that needs to be evaluated. In this context, the current research aims to forecast short-term drought i.e., SPI-3 from different climatic predictors under historical (1901-2020) and future (2021-2100) climatic scenarios employing machine learning (bagging (BG), random forest (RF), decision table (DT), and M5P) algorithms in Hungary, Central Europe. Three meteorological stations namely, Budapest (BD) (central Hungary), Szeged (SZ) (east south Hungary), and Szombathely (SzO) (west Hungary) were selected to forecast short-term agriculture drought i.e., Standardized Precipitation Index (SPI-3) in the long run. For this purpose, the ensemble means of three global circulation models GCMs from CMIP6 are being used to get the projected (2021-2100) time series of climatic indicators (i.e., rainfall R, mean temperature T, maximum tem- perature Tmax, and minimum temperature Tmin under two scenarios of socioeconomic pathways (SSP2-4.5 and SSP4-6.0). The results of this study revealed more severe to extreme drought events in past decades, which are projected to increase in the near future (2021-2040). Man-Kendall test (Tau) along with Sen`s slope (SS) also revealed an increasing trend of SPI-3 drought in the historical period with Tau = 0.2, SS = 0.05, and near future with Tau = 0.12, SS = 0.09 in SSP2-4.5 and Tau = 0.1, SS = 0.08 in SSP4-6.0. Implementation of ML algorithms in three scenarios: SC1 (R + T + Tmax + Tmin), SC2 (R), and SC3 (R + T)) at the BD station revealed RF-SC3 with the lowest RMSE RFSC3-TR = 0.33, and the highest NSE RFSC3-TR = 0.89 performed best for forecasting SPI-3 on historical dataset. Hence, the best selected RF-SC3 was implemented on the remaining two stations (SZ and SzO) to forecast SPI-3 from 1901 to 2100 under SSP2-4.5 and SSP4-6.0. Interestingly, RF-SC3 forecasted the SPI-3 under SSP2-4.5, with the lowest RMSE = 0.34 and NSE = 0.88 at SZ and RMSE = 0.34 and NSE = 0.87 at SzO station for SSP2-4.5. Hence, our research findings recommend using SSP2-4.5, to provide more accurate drought predictions from R + T for future projections. This could foster a gradual shift towards sustainability and improve water management resources. However, concrete strategic plans are still needed to mitigate the negative impacts of the projected extreme drought events in 2028, 2030, 2031, and 2034. Finally, the validation of RF for short-term drought prediction on a large historical dataset makes it significant for use in other drought studies and facilitates decision making for future disaster management strategies.
Tárgyszavak:Agrártudományok Növénytermesztési és kertészeti tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Standardized precipitation index
Forecasting
CMIP6
Random Forest
Hungary
Megjelenés:Journal Of Hydrology. - 633 (2024), p. 1-21. -
További szerzők:Arshad, Sana Alsilibe, Firas Moazzam, Muhammad Farhan Ul Bashir, Bashar Prodhan, Foyez Ahmed Alsalman, Abdullah Vad Attila (1981-) (agrármérnök) Rátonyi Tamás (1967-) (agrármérnök) Harsányi Endre (1976-) (agrármérnök)
Pályázati támogatás:TKP2021-NKTA-32
Egyéb
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Rekordok letöltése1 2 3 4 
Corvina könyvtári katalógus v8.2.27 © 2023 Monguz kft. Minden jog fenntartva.