Pulse Production, Consumption and Utilization in Nigeria within Regional and Global Context
Notice bibliographique
Résumé
Malnutrition, hunger, and poverty are still major challenges globally especially in Sub-Saharan Africa affecting most countries like Nigeria. Legumes play key roles in food and nutritional security, health, and income generation. This review highlights status of pulse production and consumption in Nigeria and need for improvement. The study involved in-depth desk review. Data sources include FAO Statistics and other publication sources. Cowpea is Nigeria’s major pulse accounting for 95.45% area and 97.55% of the pulse production in 2016-18. Nigeria is the leading global cowpea producer with 39% production in 2016-18. However, the cowpea area has been declining, with 30% loss at 1.71% yearly between 2006-08 and 2016-18. The production appreciated by 40% viewed from 1996-98 due to increase in yield; but, overall, Nigeria’s cowpea production is marked with fluctuations/stagnation. It, thus, imports to meet domestic demand. In contrast, cowpea area, yield and production received steady and remarkable positive growth in places like Niger (73% at 2.8%, 213% at 5.9%, and 428% at 8.7% annually, respectively). Per capita availability of pulses in Nigeria is over 10 times less than cereals’ and roots/tubers’; hence, pulses contribute poorly to daily calorie and protein intakes. They are mainly utilized as cooked bean and steamed/fried pastes. Low pulse consumption is seriously contributing to nutritional problems in developing countries like Nigeria. Diverse utilization, optimizing nutritional quality of the traditional dishes, and improving safety and acceptability of especially those sold as street food can enhance their consumption, production and contribution to nutritional security.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 ».