Impact of rainfall onset date on crops yield in Ghana
Notice bibliographique
Résumé
Rainfall onset date (ROD) influences farmer planting decisions, yet there is a dearth of information on the extent to which ROD influences crop yield. This study assesses the effect of ROD on the yield of four crops (Maize, millet, rice, and sorghum) in Ghana. It uses crop yields from the Ministry of Food and Agriculture (MoFA) and the Food and Agriculture Organization (FAO), and employs the Decision Support System for Agro-technology Transfer (DSSAT) crop model to simulate maize yields from 1985 to 2004. The crop model simulations were forced with weather data from the gridded Global Meteorological Forcing Dataset (GMFD). The relationship between crop yields and RODs from three datasets (observed, satellite, and GMFD) are studied. The results of the study show a good correlation between MoFA and FAO crop yield data (with correlation coefficient (r) of 0.97, 0.92, 0.77, and 0.99 for maize, millet, rice, and sorghum, respectively). RODs from satellite observation feature a high correlation with RODs from station observation (r = 0.72), but RODs from GMFD feature weak correlations (r < 0.3) with both observation datasets. The study finds a negative correlation between observed RODs and crop yields (i.e. an early onset corresponds to high yields) but a positive correlation between GMFD RODs and crop yields (i.e. an early onset correspondence to low yields). The DSSAT model reproduces the observed yield pattern, but with substantial biases. The findings of this study can be used to advise small-holder farmers on planting dates and crop variety selection.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| 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 ».