Modeling the Rice Land Suitability Using GIS and Multi-Criteria Decision Analysis Approach in Sindh, Pakistan
Notice bibliographique
Résumé
The objective of this research was to evaluate rice land suitability in Sindh, Pakistan, by designing GIS-based Multi-Criteria Decision Analysis (MCDA) spatial model to aggregate interdisciplinary aspects including factors of soil physical and chemical properties, ground water quality, soil pH, agro-ecological zones, canal command area and temperature. A constraint map of water bodies was also utilized in this model. On the basis of these parameters,standardized raster maps were created, and then Pair-Wise Comparison Matrix (PWCM) of Analytical Hierarchy Process (AHP) was developed to calculate significant weights by means of Principal Eigen vector by Saaty’s method, with accepted Consistency Ratio (CR) of 0.10. Furthermore, Multi-Criteria Evaluation (MCE) employing Weighted Linear Combination (WLC) aggregated all the suitability maps to yield rice land suitability map. Final output map of this work demonstrated 30.2% increase in area suitable for rice cultivation with an increased production of 14,716,592.17 tonnes as compared to existing rice practices in Sindh. This increase in the area and production of the potential land shows the capability of our novel model and offers an opportunity to improve cultivation by providing the much required information at local level that could benefit farmers, vision scientists and decision makers to select appropriate cropping site and agricultural planning making the best use of available data.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».