Agricultural Land Suitability Assessment towards Promoting Community Crop Production in Tolon-Ghana
Notice bibliographique
Résumé
Abstract Continuous use of agricultural land without periodic assessment of its suitability or performance for the cultivation of a specific crop could degrade soil fertility and compromise the long-term sustainability of the land to support production. Our aim is to use an integrated approach to assess agricultural land suitability in a small-scale farming system in the semi-arid region of northern Ghana, identify limiting factors for optimum crop production, and recommend intervention options towards sustainable farm management. We developed a data-driven model for land suitability analysis based on the Generalized Additive Models (GAM) approach. We validated the model with the actual yield data for six food crops (maize, pepper, yam, rice, peanut, and cowpea) under various biological, physical and chemical soil conditions across six communities. The result showed that the farmlands across the communities were highly suitable for maize and pepper but not suitable for cowpea. A qualitative validation method based on the contingency table showed the accuracy percentage of 84–100% for POD (Probability of Detection) and 6–21% for FAR (False alarm ratio) for all crops type. Hence, our model could be considered excellent to predict land suitability for different crop types. We recommend that stakeholders in the agricultural value chain should collaborate to develop low-cost and effective means of helping farmers determine the suitability of soils for specific crops to ensure that farmlands are not of depleted nutrients. In addition, periodic farmer training on appropriate farm management practices, including the right use of fertilizers, is needed.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».