Economic analysis and food security contribution of supplemental irrigation and farm ponds: evidence from northern Burkina Faso
Notice bibliographique
Résumé
Abstract Background Dry spells are serious obstacles to rainfed agriculture in Sahelian countries. Various water harvesting techniques are used by farmers to reduce the impact of climate variability, but are not sufficient in the case of a prolonged drought lasting 2–3 weeks. The farmers believe supplemental irrigation is a good way to adapt rainfed agriculture to dry spells. In this study, we evaluated the food contribution and profitability of supplemental irrigation of rainfed crops comparing various farm ponds that collect runoff water from the surrounding landscape. Methods We analyzed the contribution of supplemental irrigation to food security and compared the profitability of different types of ponds constructed by farmers in northern Burkina Faso. Human cereal requirement was used as indicators to analyze the contribution of supplemental irrigation to food security. The criteria for analyzing the profitability of the selected ponds were gross margin (GM), net present value (NPV), internal rate of return (IRR) and payback period (PBP). Results Our results show that the additional yield of corn obtained with supplemental irrigation makes it possible to meet the monthly cereal needs of at least 17 people and generates an additional GM of FCFA 178,483 (US$ 309.26) compared to no irrigation. The estimate of the NPV, from IRR and PBP showed that the profitability of supplemental irrigation in 15 agricultural seasons varies between the type of ponds constructed. Conclusions Given the up-front cost and the farmers’ lack of resources, the ponds require a subsidy or a credit policy to facilitate the adoption of supplemental irrigation in Sahelian countries. However, the irrigation strategies to optimize agricultural income remain a field of research to be explored.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».