Agronomic Challenges and Opportunities for Smallholder Terrace Agriculture in Developing Countries
Notice bibliographique
Résumé
Improving land productivity is essential to meet increasing food and forage demands in hillside and mountain communities. Tens of millions of smallholder terrace farmers in Asia, Africa, and Latin America who earn $1-2 per day do not have access to peer-reviewed knowledge of best agronomic practices, though they have considerable traditional ecological knowledge. Terrace farmers also lack access to affordable farm tools and inputs required to increase crop yields. The objectives of this review are to highlight the agronomic challenges of terrace farming, and offer innovative, low-cost solutions to intensify terrace agriculture while improving local livelihoods. The article focuses on smallholder farmers in developing nations, with particular reference to Nepal. The challenges of terrace agriculture in these regions include lack of quality land area for agriculture, erosion and loss of soil fertility, low yield, poor access to agricultural inputs and services, lack of mechanization, labor shortages, poverty, and illiteracy. Agronomic strategies that could help address these concerns include intensification of terraces using agro-ecological approaches along with introduction of light-weight, low-cost, and purchasable tools and affordable inputs that enhance productivity and reduce female drudgery. To package, deliver, and share these technologies with remote hillside communities, effective scaling up models are required. One opportunity to enable distribution of these products could be to "piggy-back" onto pre-existing snackfood/cigarette/alcohol distribution networks that are prevalent even in the most remote mountainous regions of the world. Such strategies, practices, and tools could be supported by formalized government policies dedicated to the well-being of terrace farmers and ecosystems, to maintain resiliency at a time of alarming climate change. We hope this review will inform governments, non-governmental organizations, and the private sector to draw attention to this neglected and vulnerable agro-ecosystem in developing countries.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».