State of the global adoption and spread of Conservation Agriculture
Notice bibliographique
Résumé
Chapter 2 in volume 1 provided a detailed account of the global adoption and spread of Conservation Agriculture (CA) up to the year 2015/16. This chapter provides an update of the global adoption and spread of CA for the year up to 2018/19. In 2008/09, global CA cropland area was 106.5 M ha spread across 36 countries. In 2013/14, the global area of CA cropland was 156.7 M ha, spread across 55 countries. In 2015/16, the global area of CA cropland was 180.4 M ha, spread across 79 countries. In 2018/19, the CA area increased to 205.4 M ha (14.7% of global cropland), spread across 102 countries. Thus, CA increased by some 50 M ha of cropland for each of the two five-year periods, 2008/09 to 2013/14, and 2014/15 to 2018/19. About 50% of the global CA area is located in the Global South and 50% in the Global North. At the regional level, 4% of the CA area in 2008/09 was in Europe (including Russia and Ukraine), Asia and Africa whereas in 2018/19, it was 16%. Since 2008/09, greater percentage gains in CA area have been recorded for Europe, Asia and Africa regions. At the national level, countries that have increased their CA areas significantly are Brazil, Argentina, Paraguay and Uruguay in South America; the USA and Canada in North America; Russia and Ukraine; Spain, France, the UK, Italy and Romania in Europe; China, India, Kazakhstan, Pakistan and Iran in Asia; South Africa, Zambia and Ghana in Africa, and Australia. CA systems have an important role to play in addressing the global burden of environmental crises and in meeting the Sustainable Development Goals. The 8th World Congress on Conservation Agriculture agreed to work towards a notional goal of transforming 50% of global cropland area or 700 M ha into CA by 2050. CA global community must continue its effort to improve the quality and performance of CA systems by incorporating biological or organic CA practices. Equally important for the future is the need to support smallholder farmers transform their conventional systems to CA systems with support from sustainable mechanization.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».