Farmer perception of fall armyworm (<i>Spodoptera frugiderda</i> J.E. Smith) and farm‐level management practices in Zambia
Notice bibliographique
Résumé
BACKGROUND: This paper documents farmer perceptions and management practices for fall armyworm (Spodoptera frugiderda J.E. Smith), providing a baseline for the development of sustainable pest management strategies. RESULTS: 91% of farmers correctly identified fall armyworm, and reported it as the most important maize pest during 2016/2017 cropping season, affecting nearly half of cultivated area. Estimated maize yield loss during the season, attributed to fall armyworm was 28%. A majority of farmers (60%) used pesticides for fall armyworm control, along with other cultural/physical practices - hand picking and crushing egg masses/caterpillars (36%), and application of ash/sand in the funnel (19%). Farmers used various pesticide active ingredients, and protective measures were inadequate; >50% of farmers did not use any protective measures while spraying. Significantly more male than female farmers used pesticides (P = 0.05), and the reverse was true for cultural practices. Significant maize yield differences (P = 0.001) were observed by gender, attributed to differences in utilization of production inputs/practices. At least 77% of farmers received and shared agricultural advice, which can be optimized to spread information on fall armyworm management options. CONCLUSION: Increased use of pesticides to manage fall armyworm poses health and environmental risks, besides the high cost for farmers and governments. Research into cultural and indigenous practices used by farmers will offer opportunities for alternative and sustainable management practices. Research efforts should pay attention to gender differences in access to resources and inputs. Tackling fall armyworm at the farm level, and averting yield losses will require integrated messaging addressing other production risks. © 2019 The Authors. Pest Management Science published by John Wiley & Sons Ltd on behalf of Society of Chemical Industry.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».