Why Promote Improved Fallows as a Climate-Smart Agroforestry Technology in Sub-Saharan Africa?
Notice bibliographique
Résumé
In the literature, a lot is discussed about how agroforestry can achieve the mitigation, adaptation and productivity goals of climate-smart agriculture (CSA). However, this may be relatively too broad to assess the trade-offs and synergies of how specific agroforestry technologies or practices achieve the three pillars of CSA. Here, we provide an overview of how improved fallows (an agroforestry technology consisting of planting mainly legume tree/shrub species in rotation with cultivated crops) may achieve the goals of climate-smart agriculture in Sub-Saharan Africa (SSA). Our review showed that improved fallow systems have real potential to contribute to food security and climate change mitigation and adaptation in SSA. Under proper management, improved fallows can increase maize yields to about 6 t ha−1, which is comparable to conventional maize yields under fertilization. This is attributed to improved soil fertility and nutrient use efficiency. Although data was generally limited, the growing literature showed that improved fallows increased soil carbon sequestration and reduced greenhouse emissions. Further, as a multiple output land use system, improved fallows may increase fodder availability during dry periods and provide substantial biomass for charcoal production. These livelihood options may become important financial safety nets during off seasons or in the event of crop failures. This notwithstanding, the adoption of improved fallows is mainly in Southern and Eastern Africa, where over 20,000 farmers are now using Sesbania sesban, Tephrosia vogelii, and Cajanus cajan in two-year fallows followed by maize rotations. Land tenure issues, lack of social capital, and improved germplasm and accessions of fallow species have been cited as constraints to scaling up. However, development of seed orchards, nursery development, and the willingness of policy makers to create a policy environment that addresses market failures and alleviates disincentives should improve adoption and future scaling up.
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 | 0,002 |
| 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 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».