Agroforestry systems and their impact on livelihood improvement of tribal farmers in a tropical moist deciduous forest in Bangladesh
Notice bibliographique
Résumé
This study investigates the composition of and preferences by farmers related to trees and crops planted in agroforestry systems, and their role on the livelihood of tribal farmers in a tropical moist deciduous forest in Tangail, Bangladesh. Data was collected from 150 tribal farmers practicing different types of agroforestry systems in Madhupur Sal forest, using a mixed-method strategy that included a survey, focus group discussion, key informant interviews, and direct observation. According to the results, tribal farmers used a total of 22 trees and 33 crop species in their existing agroforestry systems, indicating a rich composition and high diversity. Acacia auriculiformis was the most common tree species (with 82% of farmers possessing this species), followed by Mangifera indica (75%), Acacia sp. (73%), and Gmelina arborea (54%). Interviews revealed that agroforestry systems have provided numerous benefits and greatly enhanced farmers’ livelihoods through better access to food, timber, fodder, and fuelwood and greater access to livelihood capitals (except social capital). Though agroforestry practices increase species diversity, provide economic returns, and help farmers maintain their livelihoods, tribal farmers face several constraints including bureaucracy and a lack of alternative market facilities. Our study can be of interest for future policy interventions focusing on sustainable reforestation practices, how to solve the problems faced by the farmers, and livelihood improvement in Bangladesh.
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 | 0,000 | 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 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».