Climate change impacts and adaptation for dryland farming systems in Zimbabwe: a stakeholder-driven integrated multi-model assessment
Notice bibliographique
Résumé
Abstract Decision makers need accurate information to address climate variability and change and accelerate transformation to sustainability. A stakeholder-driven, science-based multi-model approach has been developed and used by the Agricultural Model Intercomparison and Improvement Project (AgMIP) to generate actionable information for adaptation planning processes. For a range of mid-century climate projections—likely to be hotter, drier, and more variable—contrasting future socio-economic scenarios (Representative Agricultural Pathways, RAPs) were co-developed with stakeholders to portray a sustainable development scenario and a rapid economic growth pathway. The unique characteristic of this application is the integration of a multi-modeling approach with stakeholder engagement to co-develop scenarios and adaptation strategies. Distribution of outcomes were simulated with climate, crop, livestock, and economic impact assessment models for smallholder crop livestock farmers in a typical dryland agro-ecological zone in Zimbabwe, characterized by low and erratic rainfall and nutrient depleted soils. Results showed that in Nkayi District, Western Zimbabwe, climate change would threaten most of the farms, and, in particular, those with large cattle herds due to feed shortages. Adaptation strategies that showed the most promise included diversification using legume production, soil fertility improvement, and investment in conducive market environments. The switch to more legumes in the farming systems reduced the vulnerability of the very poor as well as the more resourced farmers. Overall, the sustainable development scenario consistently addressed institutional failures and motivated productivity-enhancing, environmentally sound technologies and inclusive development approaches. This yielded more favorable outcomes than investment in quick economic wins from commercializing agriculture.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».