Determinants of Households’ Agricultural and Energy Associated Greenhouse Gases Emissions among Smallholders in Western Kenya
Notice bibliographique
Résumé
Global efforts in reducing greenhouse gases (GHG) emissions and mitigating the impacts of climate change necessitates prioritization of developing effective strategies for estimating per capita carbon footprint, forecasting and addressing the major drivers. A survey was administered among 380 agricultural households in western Kenya with specific objectives of i) to utilize various emissions indices to establish total households emissions, ii) to establish households production and consumption related GHGs’ emissions and iii) determine socio-economic factors influencing per adult equivalent GHGs’ emissions at the households. Four cluster Sub-counties including Mt. Elgon, Bumula, Bungoma North and Sabatia were purposively sampled as influenced by agro-ecological, socio-economic, agricultural production and biomass energy sourcing characteristics for the study. A pre-set questionnaire was used to collect demographic, agricultural production, and energy sourcing and utilization information. Using the survey, households various agricultural activities and levels of utilization of agricultural inputs and energy sources were quantified. The quantified values were multiplied by respective emission’s factor derived from global statistics to estimate total emission. Enteric emissions accounted for 98 percent of livestock management associated GHGs. Every household emitted 2922kg CO2 Equivalent (Eq) from livestock management per annum. Maize associated GHGs emission in 2017 was 12817kg CO2 Eq with 81, 13 and 6 percent linked to residue decomposition, organic soil management and soil nutrient replenishment respectively. Maize production, biomass cooking energy, livestock management and lighting accounted for 47, 37, 13 and 3 percent respectively of total household emissions. Factors that significantly influenced adult equivalent GHGs emissions were consumption expenditure (P<0.01), household size (P<0.01), maize yield (P<0.01) and geographical locations. Efforts to reduce households GHGs emissions need to address adoption of clearner cooking and lighting energy, efficiency in livestock production and use of inorganic farming inputs for crop production.
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 | 0,000 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 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) | 0,002 | 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 ».