Land Suitability Assessment for Soybean (Glycine max (L.) Merr.) Production in Kabwe District, Central Zambia
Notice bibliographique
Résumé
Soybean (Glycine max (L.) Merr.), is a high value crop that can generate income for households. As a legume, soybean is incorporated in cropping systems to improve soil fertility. Soybean productivity is however limited by factors including declined soil fertility, climate change and partly due to inadequate land suitability information. This study aimed at identifying suitable land for soybean production in Kabwe district. Data layers of selected attributes relevant to soybean production were generated with slope and wetness data layers extracted from the digital elevation model (DEM). Elevation was used as a proxy for climate (rainfall and temperature) and was generated by reclassifying the elevation grid into elevation classes. Data layers for soil reaction (pH), soil organic carbon, phosphorus and texture were generated by inverse distance weighting interpolation method based on soil point data. A distance to roads layer was created using the euclidean distance tool. A spatial process model based on multi-criteria evaluation was used to integrate data layers in a weighted sum overlay to generate a soybean suitability map, whose quality was assessed using an error matrix. Results showed that 15.07% of the investigated area was highly suitable for soybean production, whereas 26.53% was suitable and 25.18% was moderately suitable. The other 20.57% was marginally suitable, 10.74% was currently not suitable and 1.92% was permanently not suitable. Based on ground truth data, the overall classification accuracy of the suitability map was 65%. The map was therefore good enough for use as a guide in selecting suitable sites for soybean production.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».