Identifying maize yield and precipitation gaps in Uganda
Notice bibliographique
Résumé
Abstract In sub-Saharan Africa (SSA), precipitation is an important driver of agricultural production. In Uganda, maize production is essentially rain-fed. However, due to changes in climate, projected maize yield targets have not often been met as actual observed maize yields are often below simulated/projected yields. This outcome has often been attributed to parallel gaps in precipitation. This study aims at identifying maize yield and precipitation gaps in Uganda for the period 1998–2017. Time series historical actual observed maize yield data (hg/ha/year) for the period 1998–2017 were collected from FAOSTAT. Actual observed maize growing season precipitation data were also collected from the climate portal of World Bank Group for the period 1998–2017. The simulated or projected maize yield data and the simulated or projected growing season precipitation data were simulated using a simple linear regression approach. The actual maize yield and actual growing season precipitation data were now compared with the simulated maize yield data and simulated growing season precipitation to establish the yield gaps. The results show that three key periods of maize yield gaps were observed (period one: 1998, period two: 2004–2007 and period three: 2015–2017) with parallel precipitation gaps. However, in the entire series (1998–2017), the years 2008–2009 had no yield gaps yet, precipitation gaps were observed. This implies that precipitation is not the only driver of maize yields in Uganda. In fact, this is supported by a low correlation between precipitation gaps and maize yield gaps of about 6.3%. For a better understanding of cropping systems in SSA, other potential drivers of maize yield gaps in Uganda such as soils, farm inputs, crop pests and diseases, high yielding varieties, literacy, and poverty levels should be considered.
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 | 0,000 | 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 ».