Crop Suitability Mapping for Rice, Cassava, and Yam in North Central Nigeria
Notice bibliographique
Résumé
Agricultural production has contributed over time to food security and rural economic development in developing countries particularly supporting the countryside. Evidence of crop yield decline exist in the Lower River Benue Basin. This was a crop suitability mapping for rice, cassava, and yam to guide policy makers in strategic planning for sustainable agricultural development. Data was collected on various themes including climate, drainage, soil, satellite imagery, and maps. Remote Sensing was used to analyse satellite imagery to produce a digital elevation model, land use and land cover map, and normalised difference vegetation index map. GIS was used to produce thematic maps, weighted percentages of attribute data, and to produce crop suitability maps through weighted overlay. Soils in the study area require fertility enhancement with inorganic fertilisers for better crop yield. Soils in the Lower River Benue Basin are suitable for yam, cassava, and rice cultivation on maps of suitable areas. Some areas were found to be highly suitable for the cultivation of rice (34.22%), cassava (17.08%) and yam (16.08%). Some other areas were found to be moderately suitable for the cultivation of cassava (48.18%), rice (45.46%), and yam (48.85%). Areas with low suitability were 14.99% (rice), 33.68% (cassava), and 29.57% (yam). This study has demonstrated the importance of crop suitability mapping and recommends that farmers’ cooperative societies and policy makers utilise the information presented to improve decision making methods and policies for agricultural development.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 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 ».