Deforestation in Cameroon : causes and effects on cereal yields, population vulnerability and response through reforestation and other policies
Notice bibliographique
Résumé
La perte de forêt pourrait être attribuée à plusieurs variables qui pourraient être naturelles ou humaines. Cette étude vise à vérifier quantitativement les réelles causes du déboisement à une échelle nationale au Cameroun parmi les variables indépendantes suivantes (bétail, production de nourriture, bois de chauffage, terres agricoles permanentes, précipitations, population et produits forestiers). Cette étude examine également les interactions entre les variables telles que la zone forestière, les précipitations, les émissions de CO2 et la production de nourriture à une échelle nationale. En outre, une analyse des effets relatifs du déboisement et des changements climatiques sur les rendements de céréales à une échelle d'étude de cas est effectuée. Ceci est suivi d'une enquête sur l'ampleur de la vulnérabilité des personnes selon leur genre et revenu à une échelle d'étude de cas. En outre, cette étude examine les raisons du succès et de l'échec dans deux projets de reboisement et examine finalement les politiques qui pourraient être adoptées pour réduire le déboisement au Cameroun. Pour vérifier les causes de la perte des forêts et les interactions entre les variables, différentes données sur les diverses variables ont été obtenues au FAOSTAT, World Resource Institute, UNEP, Université d'Oxford et Banque Mondiale. Ceci était des données de séries chronologiques entre 1961-2000. 200 questionnaires ont été administrés pour vérifier les perceptions des céréaliers sur les contributions relatives des précipitations et du déboisement sur les rendements en baisse des céréales pour vérifier les raisons du succès et de l'échec des projets de reboisement et pour évaluer la vulnérabilité des populations selon leur genre et revenu. Des données de séries chronologiques sur la production de céréales réelle et projetée entre 1975-2005 ont été obtenues au Bureau de céréales à Garoua. Des données de NDVI et des précipitations ont été obtenues à l'Advanced Very High Resolution Radiometer (AVHRR), United States Geological Survey (USGS) and the National Oceanic and Atmospheric Administration (NOAA). Des données de NDVI ont été corrélées avec des précipitations. Les données sur les causes de la perte des forêts et les interactions entre les variables ont été analysées avec R programming et SPSS en utilisant des régressions linéaires, des complots de séries chronologiques, des matrices de corrélation et des coefficients de détermination. Les 200 questionnaires ont été analysés dans SPSS afin de calculer des pourcentages, fréquences et corrélations de Pearson. Les données de séries chronologiques sur la production de céréales ont été analysées en soustrayant la production réelle de la production projetée; la méthode de three period moving averages a également été utilisée sur ces données. Les données sur les tendances des précipitations et des forêts pour le Sahel ont été analysées. Pour analyser les politiques contre le déboisement, une analyse systématique des causes et agents a été appliquée. Cette étude a constaté que la population et la production de nourriture sont les causes principales de la perte des forêts. En outre, pendant que la quantité de forêt réduit, les émissions de CO2 augmentent. D'autre part, pendant que les forêts et les précipitations diminuent, la production de nourriture réduit également. La baisse de quantité de forêts est davantage liée aux baisses de production de nourriture qu'aux précipitations. De la même manière, la plupart des répondants dans la zone d'étude pensent que le déboisement est davantage responsable des baisses de rendement de céréales que les précipitations. En termes de vulnérabilité, les femmes et les pauvres sont les plus affectés par les baisses de nourriture parce que les pauvres n'ont pas assez de revenu pour acheter de la nourriture dans les périodes de pénurie, alors que les femmes dans cette région sont naturellement associées à la production d'aliments. Des politiques qui aideront à réduire le déboisement devraient être adaptées. Incluant l'intensification de l'agriculture, entre autres. Il existe un lien direct entre le succès de la plantation et la participation active des parties prenantes. \n______________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : déboisement, causes et les effets, rendements céréaliers, la vulnérabilité des populations, le reboisement et autres politiques, Cameroun
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».