Impact of crop management practices on maize yield: Insights from farming in tropical regions and predictive modeling using machine learning
Notice bibliographique
Résumé
Understanding the influence of crop management practices on maize yield is crucial amidst the changing environmental conditions. Smallholder farming in tropical regions has long puzzled decision-makers in terms of maize management. Balancing alternative management practices, environmental factors, and economic outcomes is essential. In this study, we examine the relationships between maize yield and various factors including climate variables, soil quality parameters, cultivars, tillage practices, and fertilizer usage in Chiapas, Mexico. Pearson's correlation coefficient and T-test were employed to determine the statistical significance of the correlations. Our findings reveal strong positive associations between maize yields and factors such as planting, cultivar, vapor pressure, temperature, solar radiations and fertilizer inputs for nitrogen, phosphorus, and potassium in lower elevation farms. Conversely, there is a negative correlation with elevation, slope, and system. Extensive data analysis was conducted to investigate the impact of different crop management practices on yield, utilizing both data visualization and analytics. Additionally, maize yield prediction was performed using six hybrid machine learning (ML) models, employing Grid Search and Random Search optimization techniques. Based on evaluation, Grid Search-based XGBoost exhibited the most accurate prediction results. Furthermore, explainable artificial intelligence (XAI) was employed to assess the individual impact of each input parameter on the ML model output.
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 | 0,000 | 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 | 0,001 |
| 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 ».