MétaCan
Menu
Retour à la cohorte
Enregistrement W2037602303 · doi:10.5539/jas.v5n5p140

The Impact of Soil Erosion on Agricultural Potential and Performance of Sheshegu Community Farmers in the Eastern Cape of South Africa

2013· article· en· W2037602303 sur OpenAlexvenueno aff
Ikponmwosa David Ighodaro, François Lategan, Shehu Folaranmi Gbolahan Yusuf

Notice bibliographique

RevueJournal of Agricultural Science · 2013
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueSoil erosion and sediment transport
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAgricultureErosionCapePastureGeographyAgroforestryGrazingDeforestation (computer science)SocioeconomicsEnvironmental scienceEnvironmental protectionForestryAgronomyArchaeology

Résumé

récupéré en direct d'OpenAlex

Soil erosion is one of the unresolved problems of rural agriculture. This study investigates the impact of soil erosion on the agricultural potential and performance of Sheshegu community farmers in the Eastern Cape of South Africa. Structured interview scheduled was used to collect data from 50 respondents using simple random sampling. Findings revealed that most (62%) respondents are male, who are above 46 years old (68%). Most of whom (72%) had education above grade 7. Further, the majority of them (50.8%) depend on social grants as sources of income. Most respondents confirmed that erosion occurred naturally through heavy rainfall and persistent drought while human causes that facilitated erosion include farming activities, deforestation and indiscriminate bush burning that expose soil to impact of rain drop. Respondents affirmed that erosion contributed to poor health of livestocks due to lack of pasture grass to feed on, loss of grazing land and poor bush regrowth. It is recommended that awareness on the negative effect of human causes of erosion should be created while simple technologies on soil erosion control should be pushed to the farmers. Finally, edict on bush burning should be enforced to check indiscriminate bush burning.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,859
Score d'incertitude au seuil0,289

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,218
Écart entre enseignants0,197 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations55
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural ScienceMême sujetSoil erosion and sediment transportTravaux en français237 207