A Geospatial Approach to Assessing the Impact of Agroecological Knowledge and Practice on Crop Health in a Smallholder Agricultural Context
Notice bibliographique
Résumé
In the context of food insecurity in resource-poor settings, agroecology (AE) has emerged as an important approach promoted for improving crop productivity, yet few studies have demonstrated how a combination of agroecological methods can improve crop health and thereby crop productivity. Using a geospatial approach, this study investigated whether agroecological practices can improve crop health in smallholder contexts. We compared leaf area indexes (LAIs) of crops on AE and non-AE farms and prospectively predicted the impact of AE using vegetation indexes (VIs). We found that crops on AE farms produced higher average growing season LAIs for maize and pigeon peas (1.28 m2/m2) and maize and beans (1.29 m2/m2) farms compared to 0.97 m2/m2 and 0.80 m2/m2, respectively, for the same crops on the non-AE farms. The higher LAIs suggest that the combination of farming strategies practiced on the AE farms produced healthier crops on AE farms. Random forest regression prospective predictions generated statistically significant higher LAIs for maize and beans (R2 = 0.90, root mean square error [RMSE] = 0.32 m2/m2) and maize and pigeon peas (R2 = 0.88 m2/m2, RMSE = 0.42 m2/m2) on the AE farms, but predictions for the non-AE farms were not statistically significant. The findings demonstrate that combining AE strategies can potentially improve crop productivity to enhance household food security and income in smallholder contexts.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».