Published June 14, 2023 | Version v1
Publication Open

On-farm managed trials and machine learning approaches for understanding variability in soybean yield in Northern Ghana

Creators

  • 1. Polytechnic University
  • 2. Université Mohammed VI Polytechnique

Description

Abstract Background and aim : Soybean seeds inoculation with effective rhizobia (Rh) strains and phosphorus (P) application are agricultural best practices that enhance grain yield. However, in Northern Ghana, where these practices are progressively under adoption, unpredictable yield, and poor understanding of factors of yield variation often limit its potential. We assessed the influencing factors to soybean yield variability from biophysical and managed input variables (Rh inoculants, P rates, and sources). Methods On-station and on-farm soybean plots were inoculated with three Rh inoculants (Rh1, Rh2, and Rh3), treated with two P rates (0 and 30 kg P ha -1 ), and two P sources [rock phosphate and Triple superphosphate forms]. Yield data was predicted using the random forest (RF) model, and factors of yield variability were assessed using the linear mixed models and the forward redundancy analysis (rda). Results The yield prediction accuracy was greater for the on-station experiment compared to the on-farm dataset with a trained coefficient of determination (R 2 ) of 0.77 and 0.66, respectively. The top variables of yield prediction were the Rh × P fertilizer, P sources, Rh strains, and exchangeable soil Mg 2+ concentrations. The Rh × P treatment increased soybean grain yield by 3.0 and 3.9 folds for the on-farm and on-station trials respectively, compared to the control. Conclusion The RF model and the forward rda unearthed a significant contribution of the soil exchangeable Mg 2+ to the yield variation. The mechanisms underlying the role of Mg on soybean growth deserve further research investigations to increase soybean production in Ghana sustainably.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

ملخص الخلفية والهدف : يعد تلقيح بذور فول الصويا مع سلالات الجذور (Rh) الفعالة وتطبيق الفوسفور (P) من أفضل الممارسات الزراعية التي تعزز إنتاجية الحبوب. ومع ذلك، في شمال غانا، حيث يتم اعتماد هذه الممارسات تدريجياً، غالبًا ما يحد العائد الذي لا يمكن التنبؤ به، وضعف فهم عوامل تباين العائد من إمكاناته. قمنا بتقييم العوامل المؤثرة على تقلب إنتاجية فول الصويا من متغيرات المدخلات الفيزيائية الحيوية والمدارة (لقاحات Rh، ومعدلات P، والمصادر). طرق تلقيح قطع فول الصويا في المحطة وفي المزرعة بثلاثة لقاحات Rh (Rh1 و Rh2 و Rh3)، تمت معالجتها بمعدلين P (0 و 30 كجم P ha -1 )، ومصدرين P [فوسفات صخري وأشكال سوبر فوسفات ثلاثية]. تم التنبؤ ببيانات العائد باستخدام نموذج الغابة العشوائية (RF)، وتم تقييم عوامل تقلب العائد باستخدام النماذج المختلطة الخطية وتحليل التكرار الأمامي (RDA). النتائج كانت دقة التنبؤ بالعائد أكبر بالنسبة للتجربة في المحطة مقارنة بمجموعة البيانات في المزرعة مع معامل تحديد مدرب (R 2 ) قدره 0.77 و 0.66 على التوالي. كانت المتغيرات العليا للتنبؤ بالعائد هي سماد Rh × P، ومصادر P، وسلالات Rh، وتركيزات التربة القابلة للتبادل Mg 2+. أدت معالجة Rh × P إلى زيادة إنتاجية حبوب فول الصويا بمقدار 3.0 و 3.9 أضعاف للتجارب في المزرعة وفي المحطة على التوالي، مقارنةً بالتحكم. الخاتمة كشف نموذج التردد اللاسلكي و RDA الأمامي عن مساهمة كبيرة للتربة القابلة للتبديل Mg 2+ في تباين العائد. تستحق الآليات الكامنة وراء دور المغنيسيوم في نمو فول الصويا المزيد من التحقيقات البحثية لزيادة إنتاج فول الصويا في غانا على نحو مستدام.

Translated Description (French)

Résumé Contexte et objectif : L'inoculation de graines de soja avec des souches efficaces de rhizobia (Rh) et l'application de phosphore (P) sont les meilleures pratiques agricoles qui améliorent le rendement céréalier. Cependant, dans le nord du Ghana, où ces pratiques sont progressivement adoptées, le rendement imprévisible et la mauvaise compréhension des facteurs de variation du rendement limitent souvent son potentiel. Nous avons évalué les facteurs influençant la variabilité du rendement du soja à partir de variables biophysiques et d'intrants gérés (inoculants du Rhésus, taux de phosphore et sources). Méthodes Les parcelles de soja à la station et à la ferme ont été inoculées avec trois inoculants Rh (Rh1, Rh2 et Rh3), traités avec deux taux de P (0 et 30 kg P ha -1 ) et deux sources de P [formes phosphate gemme et superphosphate triple]. Les données de rendement ont été prédites à l'aide du modèle de forêt aléatoire (RF), et les facteurs de variabilité du rendement ont été évalués à l'aide des modèles mixtes linéaires et de l'analyse de redondance directe (rda). Résultats La précision de la prédiction du rendement était supérieure pour l'expérience à la station par rapport à l'ensemble de données à la ferme avec un coefficient de détermination entraîné (R 2 ) de 0,77 et 0,66, respectivement. Les principales variables de prédiction du rendement étaient l'engrais Rh × P, les sources de P, les souches de Rh et les concentrations de Mg 2+ échangeables dans le sol. Le traitement Rh × P a augmenté le rendement en grains de soja de 3,0 et 3,9 fois respectivement pour les essais à la ferme et à la station, par rapport au témoin. Conclusion Le modèle RF et le rda avant ont mis au jour une contribution significative du Mg 2+ échangeable dans le sol à la variation du rendement. Les mécanismes sous-jacents au rôle du Mg sur la croissance du soja méritent des recherches plus approfondies pour augmenter durablement la production de soja au Ghana.

Translated Description (Spanish)

Resumen Antecedentes y objetivo : La inoculación de semillas de soja con cepas efectivas de rizobia (Rh) y la aplicación de fósforo (P) son las mejores prácticas agrícolas que mejoran el rendimiento del grano. Sin embargo, en el norte de Ghana, donde estas prácticas se están adoptando progresivamente, el rendimiento impredecible y la escasa comprensión de los factores de variación del rendimiento a menudo limitan su potencial. Evaluamos los factores que influyen en la variabilidad del rendimiento de la soja a partir de variables biofísicas y de insumos gestionados (inoculantes Rh, tasas P y fuentes). Métodos Se inocularon parcelas de soja en la estación y en la granja con tres inoculantes de Rh (Rh1, Rh2 y Rh3), tratados con dos tasas de P (0 y 30 kg de P ha -1 ) y dos fuentes de P [formas de fosfato de roca y superfosfato triple]. Los datos de rendimiento se predijeron utilizando el modelo de bosque aleatorio (RF), y los factores de variabilidad de rendimiento se evaluaron utilizando los modelos mixtos lineales y el análisis de redundancia directa (rda). Resultados La precisión de la predicción del rendimiento fue mayor para el experimento en la estación en comparación con el conjunto de datos en la granja con un coeficiente de determinación entrenado (R2 ) de 0,77 y 0,66, respectivamente. Las principales variables de predicción del rendimiento fueron el fertilizante Rh × P, las fuentes de P, las cepas de Rh y las concentraciones intercambiables de Mg 2+ en el suelo. El tratamiento con Rh × P aumentó el rendimiento del grano de soja en 3,0 y 3,9 veces para los ensayos en la granja y en la estación, respectivamente, en comparación con el control. Conclusión El modelo de RF y la rda hacia adelante desenterraron una contribución significativa del Mg 2+ intercambiable en el suelo a la variación del rendimiento. Los mecanismos que subyacen al papel del Mg en el crecimiento de la soja merecen más investigaciones para aumentar la producción de soja en Ghana de manera sostenible.

Files

latest.pdf.pdf

Files (950.0 kB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:fb34f96344a4ee5452136fde12f282e9
950.0 kB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
التجارب المدارة في المزرعة ونهج التعلم الآلي لفهم التباين في محصول فول الصويا في شمال غانا
Translated title (French)
Essais gérés à la ferme et approches d'apprentissage automatique pour comprendre la variabilité du rendement du soja dans le nord du Ghana
Translated title (Spanish)
Ensayos gestionados en la granja y enfoques de aprendizaje automático para comprender la variabilidad en el rendimiento de la soja en el norte de Ghana

Identifiers

Other
https://openalex.org/W4380590705
DOI
10.21203/rs.3.rs-3017496/v1

Is supplement to
https://openalex.org/W4290960684 (Other)
https://openalex.org/W3138804399 (Other)
https://openalex.org/W3043076960 (Other)
https://openalex.org/W2991086419 (Other)
https://openalex.org/W2275329931 (Other)
https://openalex.org/W2056215190 (Other)
https://openalex.org/W2006882883 (Other)
https://openalex.org/W1973246992 (Other)
https://openalex.org/W1509882130 (Other)
https://openalex.org/W1483993534 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Morocco

References

  • https://openalex.org/W1966049633
  • https://openalex.org/W2004268959
  • https://openalex.org/W2018290372
  • https://openalex.org/W2075435443
  • https://openalex.org/W2079157610
  • https://openalex.org/W2083911729
  • https://openalex.org/W2089984140
  • https://openalex.org/W2091328541
  • https://openalex.org/W2095316381
  • https://openalex.org/W2107664666
  • https://openalex.org/W2107900175
  • https://openalex.org/W2111022336
  • https://openalex.org/W2129390415
  • https://openalex.org/W2144163963
  • https://openalex.org/W2162774880
  • https://openalex.org/W2181222843
  • https://openalex.org/W2271439298
  • https://openalex.org/W2282115801
  • https://openalex.org/W2551021825
  • https://openalex.org/W2557743122
  • https://openalex.org/W2557948385
  • https://openalex.org/W2763709449
  • https://openalex.org/W2780622275
  • https://openalex.org/W2794375615
  • https://openalex.org/W2803929824
  • https://openalex.org/W2887618695
  • https://openalex.org/W2894351156
  • https://openalex.org/W2936935202
  • https://openalex.org/W3025192041
  • https://openalex.org/W3098019734
  • https://openalex.org/W3103444592
  • https://openalex.org/W3106596460
  • https://openalex.org/W3110878005
  • https://openalex.org/W3112577867
  • https://openalex.org/W3121715254
  • https://openalex.org/W3211084446
  • https://openalex.org/W4200337258
  • https://openalex.org/W4224325810
  • https://openalex.org/W4283319668
  • https://openalex.org/W4291016602
  • https://openalex.org/W4307270127
  • https://openalex.org/W4308029472
  • https://openalex.org/W4364360149
  • https://openalex.org/W4367842109
  • https://openalex.org/W778302498