A geographically scaled analysis of adaptation to climate change with spatial models using agricultural systems in Africa
Notice bibliographique
Résumé
SUMMARY The present paper provides a geographically scaled analysis of adaptation to climate change using adoption of agricultural systems observed across Africa. Using c . 9000 farm surveys, spatial logit models were applied to explain observed agricultural system choices by climate variables after accounting for soils, geography and other household characteristics. The results reveal that strong neighbourhood effects exist and a spatial re-sampling and bootstrapping approach can remove them. The crops-only system is adopted most frequently in the lowland humid forest, lowland sub-humid, mid-elevation sub-humid Agro-Ecological Zones (AEZs) and in the highlands in the east and in southern Africa. Integrated farming is favoured in the lowland dry savannah, moist savannah and semi-arid zones in West Africa and eastern coastal zones. A livestock-only system is favoured most in the mid/high-elevation moist savannahs located in southern Africa. Under a hot and dry Canadian Climate Centre (CCC) scenario, the crops-only system should move out from the currently favoured regions of humid zones in the lowlands towards the mid-/high elevations. It declines by more than 5% in the lowland savannahs. Integrated farming should increase across all the AEZs by as much as 5%, but less so in the deserts or in the humid forest zones in the mid-/high elevations. A livestock-only system should increase by 2–5% in the lowland semi-arid, dry savannah and moist savannah zones in the lowlands. Adaptation measures should be carefully scaled, up or down, considering geographic and ecological differentials as well as household characteristics, as proposed in the present study.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,009 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».