Climate Change Mitigation Activities and Determinants in the Rural Guinea Savannah of Nigeria
Notice bibliographique
Résumé
<p class="StandardTextkrperSAR">Nigeria loses about $750 million annually to the depletion of its 350 000 hectares of land by direct human activities and climate change. Consequently, the Sahara Desert has been moving southwards by 600 metres annually. 10 000 farming families have already been forced to move off the degraded land that has become barren. In the light of this, this study examined climate mitigation activities and determinants in Nigeria. Specifically, the study examined climate change knowledge/perception, cost implications and mitigation practices of rural households as well as factors responsible for the level of mitigation activities. 120 household respondents were selected across 8 communities in the Guinea Savannah of Kwara State, Nigeria. Study analytical tools used were descriptive statistics, principal component and Tobit analysis. Results showed that households perceived the effects of increased temperatures, reduced rainfall, desertification, flooding and increased crop pest and disease infestations. Crop harvest losses due to changing climate were large and worrisome. Principal component analysis PCA results implied that prevalent practices undertaken to combat climate change were crude and non-radical. These activities were inorganic and organic fertilizers use, mulching, bush fallow and crude agro-forestry practices. Factors determining the extent of mitigation activities were found to include educational status, type of farming activities and farm size. The study therefore calls for radical efforts at educating the rural masses on climate change devastations and the need for mitigating climate change, use of early maturing crop varieties. Green zone/forest should be developed while tree planting and afforestation should be encouraged and possibly enforced.</p>
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».