Maize Production Responsiveness to Land Use Change and Climate Trends in Cameroon
Notice bibliographique
Résumé
Most studies on the responsiveness of maize production to various variables have dwelled on the responsiveness of maize production to variations in precipitation or temperature. This study seeks to verify the response of maize production in Cameroon to both climate trends and land use change. Therefore, for the first time, our study presents findings on the relative influence of both climate and land use change on maize production in Cameroon. The data used in this analysis are essentially time series data spanning the period 1961–2006. The data on quantity of maize produced, area of maize harvested and number of maize seeds planted was taken from (http://faostat.fao.org). The mean maize growing season temperature and precipitation data were collected from the 0.5° × 0.5° gridded collaborative datasets of the UNEP and the School of Geography and Environment at Oxford University and from the global crop calendar dataset. The data were analyzed using the average rate of change, detrended simulations, the multiple linear regression technique, correlation coefficient and the coefficient of determination. The results show that maize production in Cameroon is more likely responsive to land use change (forest area change) than rainfall and temperature. However, for the climatic variables, maize production is more responsive to temperature variations than precipitation. In other words, the greater the land use change (forest area loss) the more likely the long run losses in the current maize production gains while rising temperatures were found to be more suitable for maize production. Even though the 1990s marked the period of recovering rainfall levels in most of the Sahel, large fluctuations were still recorded.
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 | 0,001 |
| 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 ».