Understanding hydrometeorological conditions and their relationship with crop production in the upper east region, Ghana
Notice bibliographique
Résumé
This study analyzes long-term patterns in precipitation, (P), evapotranspiration (ET), and meteorological and agricultural drought indices in the Upper East Region (UER) of Ghana from 1981 to 2017. The study further investigates the relationship between these hydrometeorological variables and yields of groundnut, maize, millet, rice, and sorghum from 1993 to 2017. Results indicate statistically non-significant trends in P and ET over the study period, corresponding with fairly consistent crop yields. However, both linear and non-linear relationships between crop yield and hydrometeorological conditions were observed, with extreme soil moisture (SM) and P levels negatively impacting yields, likely due to waterlogging exceeding optimal thresholds for crops, or drought stress. Regression analyses show moderate R-squared values (0.1 to 0.5), suggesting that while hydrometeorological variables are key drivers, other factors, such as farming practices and socio-economic conditions, also influence yield variability. These findings underscore the need for water management strategies to optimize soil moisture and mitigate the impact of both droughts and extreme waterlogging on crop production. The study recommends adopting modern agricultural technologies, such as precision irrigation and drought-resistant crop varieties, to enhance crop yields and ensure sustainable farming in the UER. • Analyzes 37-year hydroclimatic data for crop yields in Ghana’s UER. • Integrates geospatial data to map agricultural productivity trends. • Excess soil moisture and rain negatively impact staple crop yields. • Demonstrates geospatial analysis for climate–agriculture links in data-scarce regions.
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 | 0,000 |
| 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 ».