Knowledge and Adoption of Conservation Agriculture Technologies by the Farming Community in Different Agro-Climatic Zones of Tamilnadu State in India
Notice bibliographique
Résumé
Tamilnadu State in India is one of the earlier beneficiaries of Green Revolution which contributed to multifold increase in agricultural productivity. Though the State has been progressive, it has also experienced the ill effects of over exploitation of natural resources through intensive agriculture. There is an urgent need to shift its focus from over exploitative intensive farming to more sustainable farming with optimal use of resources without causing imbalances. Conservation Agriculture (CA) offers potential solution which not only enhances the productivity but also maintains the environmental safety and ecological sustainability. With this at the backdrop, the present study was conducted during 2013-2014 in all the seven agro-climatic zones of Tamilnadu State in India covering 350 respondents to understand the knowledge and adoption levels of Conservation Agriculture among the farming community in the State. Three Conservation agricultural technologies namely, Minimum Tillage, Crop Rotation and Permanent Soil Cover were identified. Knowledge of the farmers about these technologies and their adoption by the farmers were studied. As regards the awareness and knowledge level of respondents majority of them do not have knowledge on minimum tillage (72.6%) and permanent soil cover (75.1%) but a vast majority is knowledgeable on crop rotation (71.1%). Farmer characteristics such as age, educational status and innovativeness of farmers played a significant impact on the knowledge levels of CA whereas number of years of experience in farming and land holding pattern did not have significant influence on the knowledge levels of farmers on CA. Among the knowledgeable farmers only 11.5% of farmers adopted minimum tillage, 27.6% of farmers adopted permanent soil cover and 78% adopted crop rotation. None of the farmers adopted CA as a whole comprising all the three components.
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 | 0,000 | 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».