Climate Change-Induced Drought Impacts, Adaptation and Mitigation Measures in Semi-Arid Pastoral and Agricultural Watersheds
Notice bibliographique
Résumé
Periodic drought is a major challenge in drought-prone areas of South Asia. A sample survey of farmers (n = 400) from South Asia was conducted to study the farmers’ perception about drought impacts on their socio-economic status, agro-biodiversity, and adaptation besides public institutions’ drought mitigation measures. The results revealed reduced surface and groundwater availability, soil degradation, partial or complete crop failure, increased agricultural fallows and wastelands, biodiversity loss, decrease in agricultural yields, pasture lands, and livestock in drought-impacted South Asia. About 16–26% of the farmers perceived a reduction in the agricultural area and production of commercial crops and millets in drought-prone areas, while changes in the cropping of pulses, oilseeds, horticultural, and fodder crops were minimal. About 57–92% of respondents showed a reduction in the consumption of fruits, vegetables, dairy products, and fish. Unemployment, migration, reduced farm income, and malnutrition were major socio-economic impacts among respondents (38–46%). Despite sufficient public support as a mitigation strategy, the farmers had poor participation (8–65%) for agri-information and adaptation (7–36%) against drought impacts. Hence, researchers, extension agents, and policymakers must develop efficient ‘participatory-mode’ drought adaptation and mitigation policies in watershed-based semi-arid pastoral and agricultural regions of South Asia and similar agro-ecologies across the globe.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».