Rainfall Variability and Food Crop Vulnerability in Ndu Sub-Division, North West Region of Cameroon
Notice bibliographique
Résumé
Little scientific evidence exists in the context of climate variability and food crop production in Ndu. This study seeks to assess the impact of rainfall variability on food crop vulnerability in Ndu Sub-Division. The primary data were gotten through field surveys. A total of 200 farmers were sampled and questionnaires were administered to them. Descriptive and inferential statistical techniques were employed to analyze the data. Results were presented in tables and climographs. Formulated hypotheses were tested using the least square regression model to establish the extent of exposure and sensitivity of rainfall variability on food crop production. The Pearson Product Moment Correlation Coefficient was used to describe the trends of variations in rainfall. Statistically, rainfall accounted for 19.5% of variability in maize production while 50.87% accounted for variability in beans production. Furthermore, 30.1% accounted for variations in potatoes production. From these statistics it was then concluded that rainfall variability minimally affects maize and beans but had a significant effect on maize production in Ndu. The research study also revealed that rainfall shows a decreasing trend. The study recommended, amongst others the need for farmers to adopt more sustainable agricultural practices and the increased use of more resistant crop species that can withstand exposure and sensitivity to rainfall variability. The study concluded that a bottom-up approach should be employed in order to improve on the adaptive capacities of the agricultural sector in Ndu.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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) | 0,001 | 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 ».