Farmer Knowledge of Climate Change Impacts and Adaptation Strategies in the Management of Vegetable Insect Pests in Zimbabwe
Notice bibliographique
Résumé
Farmer knowledge of insect pests’ risks in a changing climate is important in managing insect pests’ incidence. A total of 250 vegetable farmers from 5 wards in Zimbabwe were sampled using a semi-structured questionnaire to assess their knowledge on climate change risk, its impact on vegetable insects pests and management strategies to reduce the increased incidence of insect pests. Focus group discussions, key informant interviews and field observations were also used. Droughts and elevated temperatures were perceived to have the greatest impact on vegetable insect pests resulting in their increased incidence. Aphids, cutworms and whiteflies were identified among the major pests that have increased. The majority (53%) of the farmers cited high vegetable losses from insect pests attack. All the respondents (100%) revealed the use of chemical insecticides during production of vegetables. A higher proportion (60%) perceived effective control, 34% perceived reduced efficacy and 6% were not sure of effectiveness of chemical insecticides. Management strategies to cope with the increasing insect pests and diseases on vegetable production also included planting insect resistant cultivars, certified seeds, increased frequency of application of synthetic insecticides, insecticide mixtures, use of more hazardous chemical insecticides and increasing the rates of application resulting in insecticide overuse. There is need for government to facilitate development and adoption of Integrated Insect Pest Management (IIPM) and raise awareness on avoiding overdependence on chemical insecticides. Modelling tools that support adaptation planning needs to be developed to forecast climate change risk and the resultant incidence of insect pests.
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 | 0,001 | 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 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».