A Spatial Multi-Criteria Decision-Making Approach to Evaluating Homogeneous Areas for Rainfed Wheat Yield Assessment
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
Rainfed wheat plays a vital role in global food security, particularly in regions where water availability is a limiting factor. Identifying homogeneous areas with a similar yield potential is essential for optimizing resource allocation, improving agricultural sustainability, and enhancing water resource management. Unlike previous studies that primarily focused on cropland suitability, this study presents an integrated approach to delineate homogeneous areas for the rainfed wheat yield using advanced mechanistic analysis and multi-criteria decision-making techniques. Additionally, it examines the homogeneity of these areas in terms of the actual yield relative to the potential yield. Kurdistan province in Iran was selected as the study area. Key phenological stages of wheat growth—germination, flowering, and seed filling—were determined using a day-growth model. A set of four primary criteria—precipitation, temperature, soil properties, and topography—along with twenty sub-criteria were selected based on expert knowledge and previous research. The Fuzzy-AHP method was employed to assign weights to each factor, and a weighted linear combination approach was used to generate a final classification map. The results categorized the study area into five suitability classes: currently unsuitable (N2 and N1), somewhat suitable (S3), moderately suitable (S2), and very suitable (S1), in accordance with the FAO standard framework. These classifications highlighted significant yield variations among the zones. The findings revealed that the highest and lowest average rainfed wheat yields were observed in classes S1 and N2, respectively, with yield-to-potential yield ratios ranging from 75% in S1 to 20% in N2. This research underscores the potential of spatial analysis in enhancing precision agriculture and water resource management, contributing to more resilient food production systems in water-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.
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 | 0,001 | 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