Comparative performance of scientific and indigenous knowledge on seasonal climate forecasts: A case study of Lupane, semi- arid Zimbabwe
Notice bibliographique
Résumé
Seasonal climate forecasting (SCF) is weather prediction over a period ranging from 3-6 months period. Forecasting can be done using scientific forecasts (SF) or indigenous knowledge forecasts (IKF) systems. Forecast results can be very fruitful to smallholder farmers in semi-arid areas where rainfall is highly variable. Effective use of SCF has faced challenges including: rainfall variability, access to forecast information, interpretation of forecast results and generation gap. There is limited research on comparative performance of the two forecasts. The research seeks to evaluate comparative performance of the two forecasting methods in predicting outcome of the following rainfall season. The study was carried out in Daluka and Menyezwa wards of Lupane district, south-western Zimbabwe, which receives annual average rainfall of 450-650 mm. Focus group discussions and personal interviews were used in 2008/09 and 2009/10 seasons to capture farmers’ experiences and knowledge on SCFs and their application. The predicted outcome of the IKF and SF were compared with actual rainfall recorded from the predicted period. Results indicated high dependence on the use of the IKFs by Lupane farmers in predicting the outcome of the following season’s rainfall. Both the IKF and SF predicted inadequate rainfall in the two consecutive seasons and the results concurred with recorded rainfall in Daluka ward in the two seasons and in Menyezwa ward in 2009/10 season only. Results demonstrate that in the absence of SF, farmers may use IKFs. It is imperative that the two forecasts complement each other to increase farmer adaptation to climate variability.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».