Spatial Assessment of Land Suitability Potential for Agriculture in Nigeria
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
From land cover analysis, cropland expansion was a major driving factor for land use land cover changes in Nigeria from 2000 to 2020. This further highlights the food production needs in the country. While this land use change indicates a significant alteration in land cover, it was exigent to assess land suitability using a Multi-Criteria Decision Analysis (MCDA) combined with geospatial techniques to identify areas with agricultural suitability potential and to analyze cropland suitability. The results showed that the country had 8% of very high suitability, high suitability (25%), moderate suitability (29%), and marginal suitability (25%) croplands. However, low suitability accounts for 14% of the entire cropland. The spatial distribution of cropland suitability shows that most areas in the South East, South South, and South West, respectively, have the most suitable cropland as they meet the biophysical conditions for crop production, followed by the North Central regions, while most places in the North (North East and North West) have a higher share of moderate to low suitability. This study highlights the potential of the country to target localized self-sufficiency. Therefore, this study recommends using the cropland suitability map to launch food security programs across the six geopolitical zones to maximize their inherent environmental potentials to alleviate the country's food production needs.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,001 | 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 découle