Crop Water Use and a Gravity Model Exploration of Virtual Water Trade in Ghana’s Cereal Agriculture
Notice bibliographique
Résumé
Agricultural water productivity is crucial for sustainability amidst the escalating demand for food. Cereals are pivotal in providing nutritious food at affordable prices. This study was based on Ghanaian data spanning from 1992 to 2021 to evaluate water usage in the cultivation of major cereals. It also examined the virtual water losses or gains in cereal trade alongside influencing factors. The analysis utilized secondary data encompassing the virtual water content, production quantity, export and import quantities, distance, GDP per capita, population, and land per capita of Ghana and its 75 trade partners. In the last 5 years, crop water use (CWU) reached an average of 7.08 billion m3/yr for maize, 3.48 billion m3/yr for rice, 1.08 billion m3/yr for sorghum, and 0.63 billion m3/yr for millet production. Ghana’s major partners for exported virtual water (EVW) were Niger, Burkina Faso, South Africa, and Togo. Major partners for imported virtual water (IVW) were Argentina, South Africa, Ukraine, Togo, Russia, Burkina Faso, Canada, Senegal, Nigeria, Portugal, UK, Niger, and the USA. The Panel Least Squares Method of regression was used to apply the Gravity Model principle in assessing influencing factors. The findings indicate that Ghana is a net importer of virtual water in the cereal trade, with significant influences from geographical distance, GDP per capita, population, land per capita, and cereal water use.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».