The determinants of crop yields in Uganda: what is the role of climatic and non-climatic factors?
Notice bibliographique
Résumé
It is widely accepted that crop yields will be affected by climate change. However, the role played by climate in affecting crop yields vis-a-vis non-climatic stresses, is often unclear, limiting decision choices around efforts to promote increased production in light of multiple stresses. This study quantifies the role of climatic and non-climatic factors affecting multiple crop yields in Uganda, utilizing a systematic approach which involves the use of a two-stage multiple linear regression to identify and characterize the most important drivers of crop yield, examine the location of the key drivers, identify the socio-economic implications of the drivers and identify policy options to enhance agricultural production. We find that non-climatic drivers of crop yields such as forest area dynamics ( p = 0.012), wood fuel ( p = 0.032) and usage of tractors (0.041) are more important determinants of crop yields than climatic drivers such as precipitation, temperature and CO 2 emissions from forest clearance. Climatic drivers are found to multiply existing risks facing production, the significance of which is determined by variability and inadequate distribution of precipitation over the crop growing seasons. The significance and validity of these results is observed in an f -statistic of 50 for the final optimized model when compared to the initial model with an f -statistic of 19.3. Research and agricultural policies have to be streamlined to include not only the climatic elements but also the non-climatic drivers of global, regional and national agricultural systems.
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 | 0,000 | 0,000 |
| 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 | 0,001 | 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 ».