A Simulated Weather-Driven Bio-Economic Optimization Model for Agricultural Planning
Notice bibliographique
Résumé
This study develops a weather-driven bio-economic optimization framework for agricultural planning in Guyana by integrating weather simulation, crop modeling, and multi-objective optimization. Precipitation was modeled using a first-order Markov chain with fitted distribution, while temperature and relative humidity were simulated using stochastic differential equations. Reference evapotranspiration was estimated using an artificial neural network. These simulated weather variables were then used as inputs to AquaCrop to estimate rice, maize, and soybean yields across multiple planting intervals. A multi-objective optimization model was then applied to optimize gross profit, economic water productivity, and land use efficiency. Validation at the Rose Hall Estate showed strong accuracy for rice and maize (MAPE < 10%) and moderate accuracy for soybeans. Scenario analyses for the 2024–2025 season, assuming 25% and 50% export targets, revealed that rice–maize double cropping produced the highest profitability, while soybean–maize combinations were less favorable. The framework replaces static yield assumptions with dynamic, simulation-driven models that incorporate price forecasts and allow substitution of alternative forecasting or crop simulators to enhance precision. The scenario-based design provides a flexible decision-support platform for optimizing crop selection, planting intervals, and resource allocation under climate variability and market uncertainty. Moreover, the framework is scalable and well-suited for evidence-based agricultural planning.
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 ».