An Analysis of Yield Gap and Some Factors of Cocoa (Theobroma cacao) Yields in Ghana
Notice bibliographique
Résumé
<p>Although cocoa productivity has recently been increasing in Ghana, it is still low compared with that of other countries such as Cote d’Ivoire and Malaysia. This situation has been attributed to the low adoption of cocoa production technologies. The study was aimed at analysing the yield gap as well as some cocoa yield factors. Cross-sectional socio-economic survey was conducted in six (6) cocoa growing districts: Nkawie, Goaso, Enchi, Oda, Twifo Praso/Assin Fosu and Hohoe. A structured questionnaire was employed in the collection of data from 300 respondents who were randomly chosen with multi-stage cluster sampling technique. The yield gaps and their proportion to yield potentials were estimated using data from the survey and on-station trials. The findings indicated an experimental yield gap of 1 553.4 kg ha<sup>-1</sup>, accounting for 82.1% of the experimental yield potential whereas farmer-based yield gap was 1 537.2 kg ha<sup>-1</sup>, also accounting for 82.0% of the farmer (survey) yield potential. The Ordinary Least Square (OLS) regression analysis indicated that frequency of spraying fungicides against black pod disease, spraying insecticides against capsids, weeding of cocoa farms, cocoa variety planted by farmer, area of cocoa farm and total cocoa production variables had a significant impact on cocoa yield. It is recommended that the Government should encourage cocoa farmers, through pragmatic measures, to adopt improved technologies for enhancing productivity instead of focusing on excessive land expansion which eventually leads to low productivity.</p>
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 | 0,003 |
| 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) | 0,001 | 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 ».