Forest, Farms and Fuelwood: Measuring changes in fuelwood collection and consumption behavior from a clean cooking intervention
Notice bibliographique
Résumé
Abstract In many developing countries, fuelwood can contribute to 50–90% of all household energy, largely driven by the 2.6 billion individuals dependent on it to meet their daily household cooking energy requirements. This dependency can have negative impacts on forest stocks and climate change. Both, a transition to cleaner cooking and sustainable management of forest resources to ensure long-term supply, are essential for dependent communities. Understanding the forest impacts of fuelwood dependence and potential benefits of clean cooking interventions requires a careful analysis of local forest and agroforestry resources, the particular fuel collection habits of local populations, and the impact of clean cooking technologies on fuelwood consumption. The specific impacts of a cooking transition on fuelwood extraction from forests vs. other sources has been lacking in prior studies. We fill this gap by identifying household fuelwood consumption behavior change (farm vs. forest sources) due to clean cooking solutions implemented in two districts in rural India - Kullu (Himachal Pradesh) in northern India and Koppal (Karnataka) in southern India. To the best of our knowledge, this is the first intervention study that identifies fuelwood collection sources based on the species utilized by households. We conducted in-depth household surveys and physically measured household fuelwood consumption by source (forest or farm). Results indicate that households in Kullu reduced forest dependence, while households in Koppal reduced farm dependence due to clean cooking solutions. We find that a reduction from forests is dependent on a combination of demand (e.g., cooking vs. heating), substitutability of forest resources with farm resources (i.e., quality and availability), and the socio-economic characteristics (i.e., caste, wealth) of the household. Information on the variables impacting household reliance on forest sources would be important for future clean cooking interventions, and other forest resource policy decisions for 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 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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».