A linear regression model to demonstrate balancing productivity and sustainability for small-scale farmers: A case study in Malawi
Notice bibliographique
Résumé
<p class="MsoNormal"><span lang="EN-US" style="mso-ansi-language: EN-US;">Adverse climate change effects, specifically droughts, floods, and dry spells, negatively affect agricultural production. The application of several machine learning methods assists with crop production prediction while factoring in these environmental variables. Machine learning is a crucial tool to ensure crop yield estimation, good agricultural planning practices, and effective decision-making, enabling better application of proposed interventions. Ecological intelligence signifies a paradigm shift toward balancing the competing goals of sustainability and productivity. This study aimed to demonstrate efficient agricultural productivity that addresses SDGs 12 (Responsible consumption and production), SDG 13&nbsp;(Climate action), and SDG 15 (Life on land). The study was carried out in Lilongwe and Dowa districts, Malawi, and compared single and dual crop yields of farmers cultivating the same crop on similar hectarage, and their respective crop value, profitability, and sustainability. The study population comprised 62 (29.7%) male and 140 (70.3%) female farmers. A linear regression model analysis showed the importance and value of both crop yield and ecosystem resilience. The 80:20 train-test ratio split was used to produce good and effective output. Results showed that the dual crop yields of maize and beans were more profitable in comparison to both monocrop beans and maize plots. Male farmers had higher profits and yields than female farmers. These results show that sustainable practices can be incorporated into farming systems and could ensure both profitability and sustainability. However, future research will be done using intensive multiple-cropping and environmentally friendly methods that focus on consistent yields over an extended period.</span></p>
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».