Carbon Sequestration Implementation through Sustainable Agricultural Land Management (SALM) Methodology in Nigeria
Notice bibliographique
Résumé
Climate-Smart Agriculture (CSA) as an adaptation strategy that helps rural farmers adapt to climate change by making them resilient to its effects. SALM methodology is a CSA practice that promotes carbon sequestration, which in the long run increase farmers’ productivity. This study assessed SALM methodology using RothC model to calculate the effi- cacy of CSA on Umar Lere farm. Activity Baseline and Monitoring Survey was used to acquire data for a period of 3 years of practicing SALM methodology. Results showed that after 3 years of SALM adoption, the farm produced maize (2.6), soybeans (0.7), guinea corn (1.1), and tomatoes (1.7) tons/hectare/year respectively in 2015 compared to maize (1.2), soybeans (0.3), guinea corn (1.6), and tomatoes (0.7) tons/hectare/year respectively produced in 2012. The farm also recorded 56 trees sequestrating 10.2 tons of carbon dioxide per hectare in 2015 compared to 15 trees sequestrating 2.6 tons of carbon dioxide per year in 2012. In 3 years, Umar Lere farm significantly increased its crop yields from the project; RothC model shows that the modelled soil carbon stock changes increased significantly as a result of the adoption of SALM practices from around 0:5 tCO2 ha-1yr-1 in 2012 to 3:5 ha-1 yr-1 in 2015.
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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».