Climate Change Adaptation Strategies in Agriculture: Cases from Southeast Asia
Notice bibliographique
Résumé
Climate change has become apparent and been threatening more and more in Southeast Asia. Its impacts on agriculture and adaptation strategies at household level in farming systems areas are explored. The study focused on better understanding of climate change impacts and adaptation practices in four villages of Myanmar and Cambodia. Household questionnaire survey, focus group discussions and key informant interviews were used for data collection at household and community level supplemented with secondary data. Dry Zone farmers of Myanmar reported increase in crop diversity while in the Kampong Speu province in Cambodia, the number of rice growing farmers increased together with cultivation of other crops, such as cassava, palm fruit, sugarcane, mangoes, watermelons and vegetables. Farmers changed their cultivation practices as adaptation strategies in various ways: change in cropping calendar, crop varieties, machinery for cultivation practice, and change in area for cultivation. The shift in cropping calendar has occurred from two weeks to one month. Diverse strategies were reported in adapting to water scarcity in agriculture, such as system of rice intensification and water pumping. Farmers also adopted strategies for coping with declining soil productivity. These include animal manure application, compost making and application, crop rotation and crop residues retention. In particular, Dry Zone farmers prefer to apply animal manure rather than other practices because of its vast benefits, such as buffering capacity, effectiveness for plant growth and cheaper price. Cooperative actions are becoming increasingly needed when an individual could not afford adaptation strategies. However, barriers to adaptation strategies are to be reduced to promote climate adaptive practices in agriculture.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».