MétaCan
Menu
Retour à la cohorte
Enregistrement W2083845887 · doi:10.5539/jas.v5n5p182

Potato Production in Kenya: Farming Systems and Production Constraints

2013· article· en· W2083845887 sur OpenAlexvenueno aff
Jane Muthoni, Hussein Shimelis, Rob Melis

Notice bibliographique

RevueJournal of Agricultural Science · 2013
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgricultural risk and resilience
Établissements canadiensnon disponible
Organismes subventionnairesAlliance for a Green Revolution in Africa
Mots-clésCash cropHectareAgricultureProduction (economics)Solanum tuberosumCultivarCropAgricultural scienceKenyaGeographyBusinessBiologyAgronomyEconomics

Résumé

récupéré en direct d'OpenAlex

Potato (Solanum tuberosum L.) is a major food and cash crop in the Kenyan highlands, widely grown by small-scale farmers. Farmer practices and constraints in potato production differ from region to region. A survey was conducted in three major potato producing districts namely Bomet, Molo and Meru Central with the following objectives: 1) to document farmers’ practices, key potato production and marketing constraints, 2) to determine farmers’ potato cultivar and trait preferences and 3) to assess the prevalence and farmers’ management of bacterial wilt. The survey was carried out between November 2011 and March 2012. During the survey, a semi-structured questionnaire was administered to 253 individual farmers. The results show that the average household farm sizes are less than 2.4 hectares in all the districts. Majority of farmers allocate more than 25% of their farms to potatoes. Potato is produced both for food and cash by 90% of respondents in all districts. In Bomet district the red-skinned Dutch Robyjn is widely grown. In Molo district, the white- skinned Cangi is prominent while in Meru Central, the red-skinned Asante is predominantly grown by farmers. Cultivar preferences are mostly dictated by availability of markets, yield potential and taste. The major potato production constraints are diseases with bacterial wilt being the most prominent.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,047
Score d'incertitude au seuil0,093

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,011
Tête enseignante GPT0,211
Écart entre enseignants0,200 · 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 source (Gemma direct ou Codex distillé), 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

Citations95
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural ScienceMême sujetAgricultural risk and resilienceTravaux en français237 207