Diversification and intensification of agricultural adaptation from global to local scales
Notice bibliographique
Résumé
Smallholder farming systems are vulnerable to a number of challenges, including continued population growth, urbanization, income disparities, land degradation, decreasing farm size and productivity, all of which are compounded by uncertainty of climatic patterns. Understanding determinants of smallholder farming practices is critical for designing and implementing successful interventions, including climate change adaptation programs. We examine two dimensions wherein smallholder farmers may adapt agricultural practices; through intensification (i.e., adopt more practices) or diversification (i.e. adopt different practices). We use data on 5314 randomly sampled households located in 38 sites in 15 countries across four regions (East and West Africa, South Asia, and Central America). We estimate empirical models designed to assess determinants of both intensification and diversification of adaptation activities at global scales. Aspects of adaptive capacity that are found to increase intensification of adaptation globally include variables associated with access to information and human capital, financial considerations, assets, household infrastructure and experience. In contrast, there are few global drivers of adaptive diversification, with a notable exception being access to weather information, which also increases adaptive intensification. Investigating reasons for adaptation indicate that conditions present in underdeveloped markets provide the primary impetus for adaptation, even in the context of climate change. We also compare determinants across spatial scales, which reveals a variety of local avenues through which policy interventions can relax economic constraints and boost agricultural adaptation for both intensification and diversification. For example, access to weather information does not affect intensification adaptation in Africa, but is significant at several sites in Bangladesh and India. Moreover, this information leads to diversification of adaptive activities on some sites in South Asia and Central America, but increases specialization in West and East Africa.
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 | 0,003 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».