Statistical Analysis of Cropland Area in Canada using the Autoregressive Hidden Markov Time Series Model
Notice bibliographique
Résumé
Crop production and other agricultural activities are as old as human existence and becoming increasingly intensive, spatially concentrated and specialized. However, diversification in economic activities and recent development in technology in many developed countries have led to significant increase in land use. Thereby, resulting to huge reduction in the total land area available for agricultural activities especially crop production. This study examines the distribution of cropland area in Canada in relation to three contributing factors using the Autoregressive Hidden Markov time series Model (AR-HMM) due to the limitations of the ordinary Autoregressive model in the accuracy of its parameter estimation. Expectation-Maximization (E-M) algorithm method was used to estimate the model parameters so as to investigate the effects of the factors on cropland distribution using secondary data from Food and Agriculture Organisation (FAO). Jarque-Bera and D'Agostino normality tests were carried out to examine the normality of the series. Augmented Dickey Fuller (ADF) and the KPSS tests established the stationarity of the series. The ideal stationary probability distribution for transition was at AR (3)-HMM with the minimum Bayesian Information Criterion (BIC) of 16270.62. The prior transition states for the HMM are 0.462, 0.260 and 0.278 respectively. In conclusion, this study suggests that deforestation and other land use activities as a result of commercial and technological advancements should be minimized to ensure more available cropland area.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».