Crop production management practices as a cause for low water productivity at Zanyokwe Irrigation Scheme
Notice bibliographique
Résumé
Generally, smallholder irrigation schemes (SIS) in South Africa have performed poorly and have not delivered on their development objectives of increasing crop production and improving rural livelihoods. Limited knowledge of irrigated crop production among farmers has been identified as one of the constraints to improved crop productivity, but research that investigates the relationship between farmer practices and productivity is lacking. A monitoring study was therefore conducted at the Zanyokwe Irrigation Scheme (ZIS) in the Eastern Cape to identify cropping systems and management practices used by farmers and to determine how these were related to performance. Evidence from 2 case studies showed that water management limited crop productivity. Irrigation application and system efficiencies were below the norm and irrigation scheduling did not take crop type and growth stage into account. Monitoring of 20 farmers over a 3-yr period showed that cropping intensity averaged only 48% and that the yields of the 2 main summer crops, grain maize (Zea mays L.) and butternut (Cucurbita moschata) averaged only 2.4 and 6.0 t∙ha-1, respectively. In addition to poor water management, other main constraints to crop productivity were inadequate weed and fertiliser management and low plant populations. The results indicated that a lack of basic technical skills pertaining to irrigated crop production among farmers was a possible cause of inadequate management. In this regard, it is expected that farmers could benefit from ‘back to basics’ training programmes in the areas of crop and irrigation water management. Research needs to focus on labour-saving production technologies, establishing farm-specific fertiliser recommendations, the identification and use of affordable sources of nutrients, as well as strategies to improve plant population in maize by preventing bird damage to newly-planted stands. Keywords: smallholder irrigation schemes, cropping pattern, constraints to crop productivity, research agenda
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».