Long-run Spatial and Temporal Yield Variability Analysis of Three Major Crops Affected by Fertilizer Use and Rainfall in Ethiopia over the Past 15 Years (2004/05–2018/19)
Notice bibliographique
Résumé
Ethiopia is one of the major producers of maize and wheat and the only producer of teff at a larger scale for grain in sub-Saharan Africa (SSA). Various efforts have been made by the government of Ethiopia to increase productivity over the past 15 years. Here we analyze a dataset with more than 1,260 yield observations from 2004/05 to 2018/19 for three crops (teff, maize, and wheat) in the 28 zones of the two major cereal-growing regions of the country. These two regions, Amhara, and Oromia represent around 81% of cropped area, 75% of fertilizer use, and 82% of cereal production of Ethiopia annually. Zonal level crop production data were used to analyze spatial and temporal patterns of teff, wheat, and maize yield. Zones were categorized as wet and dry based on annual rainfall. We dissect the evolution of yield trends over time and space, analyze yield variation, and evaluate whether growth of yields has increased, decreased, or stalled in recent years. We found that productivity of teff, wheat, and maize continued to increase from 0.95 to 1.76 metric tons per hectare (mt ha -1), 1.56 to 2.76 mt ha -1, and 1.72 to 4.0 mt ha -1 respectively, between 2004/05 and 2018/19. There was an average annual increase of 5%–8% during this time. The data also show a strong correlation of yield with rainfall and fertilizer use patterns; therefore, we recommend that the fertilizer advisory service should also make use of the rainfall conditions of the different locations to fine-tune fertilizer recommendations.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».