Trends in Cereal Production and Yield Dynamics in Sub-Saharan Africa Between 1990-2015
Notice bibliographique
Résumé
Cereal serves as a very important and vital staple food for many smallholder farming communities in Sub-Saharan Africa (SSA). In this paper, we examined changes in land under cereal production; changes in cereal yield; and changes in cereal production between 1990 and 2015 in Sub-Sahara Africa (SSA). The paper looks at the threats and potential of cereal production with respects to how it helps to address issues of food security and improvements needed to enhance and promote production in the region. The study reveals that 33 (75%) of countries in SSA have experienced an expansion in land under cereal production while 11 (25%) of countries have reduced land under cereal production with an average increase of 679,664 hectares. Further, 32 (73%) of countries have experienced an increase in cereal yield, while 12 (27%) of countries have experienced a reduction in cereal yield, averaging to 311 kg per hectare in SSA. The study also shows that 35 (80%) of countries have experienced an increase in cereal production while 9 (20%) of countries have experienced a reduction in cereal production with a total of 1635201 kg per hectare in SSA. Overall, about 71% of the countries in SSA are experiencing a continuous increase in cereal production, yield levels and land area under cereal production, while about 29% are experiencing a reduction in cereal yield, production levels and land area under cereal production. However, SSA still has the lowest yield growth rate with the highest number of food-insecure persons (35.5% of its population), which is forecast to exacerbate further given the continuous population increase. Hence, it is essential to step up cereal production from the current attainable levels to an actual or reasonable and scalable level through innovative research, training, and technological advancement and production capabilities in the region.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 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) | 0,000 | 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 ».