Characterisation and Mapping of Soils in Major Coffee Growing Regions of Uganda
Notice bibliographique
Résumé
There is limited information on the soil nutrient status, site specific fertilizer and agronomic recommendations for coffee in Uganda hence limiting its production and productivity. Therefore, this study was undertaken to characterize the soils under coffee farms and provide fertilizer and land management recommendations for coffee farming in selected districts in Uganda. 717 soil samples were collected from 45 coffee growing districts that were purposively selected to represent the major coffee growing regions of Eastern, Northern, Western, Mid-west and West Nile. 35 districts were sampled from Robusta coffee growing areas and 10 districts from Arabica coffee growing areas. Parameters considered in the laboratory analysis included; pH, total organic carbon, total nitrogen, available P, exchangeable Calcium (Ca), Sodium (Na), Magnesium (Mg), and Potassium (K) and micro elements: Iron (Fe), Zinc (Zn), Copper (Cu), Manganese (Mn) and Boron, soil texture, bulk density and hydraulic conductivity. Soil nutrient levels distribution maps for Robusta and Arabica coffee growing regions were generated in ArcGIS for the entire country. The soil chemical and physical properties were subjected to analysis of variance using Genstat 14th edition. The soil mapping results showed that, the overall average soil macro-nutrients concentrations were significantly different across regions (p < 0.05) with Eastern having the highest levels of macro elements (CEC of 19.28 meq/100 g, Base Saturation (BS) of 43.40%, pH of 5.78, N of 0.20%, K of 1.64 meq/100 g, P of 107.68 mg/kg and OM of 3.31%) followed by Western region. No significant difference (p > 0.05) was recorded for the micronutrients across the different regions, except Zn (p < 0.05). This study showed that Phosphorus and Potassium were generally moderate to high levels in most of the regions sampled while Nitrogen and organic matter were moderate to low. Results from this study provide a general picture of the nutrient status across all coffee growing regions in Uganda and highlight the required modifications for increased production and productivity.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».