MétaCan
Menu
Retour à la cohorte
Enregistrement W4307961322 · doi:10.5539/sar.v11n4p50

Farm Households Choices of Adaptation Strategies to Climate Variability Challenges in Benishangul Gumuz Regional State, Western Ethiopia

2022· article· en· W4307961322 sur OpenAlexvenueno aff
Firomsa Mersha Tekalign, Jema Haji, Bezabih Emana, Abule Mehare

Notice bibliographique

RevueSustainable Agriculture Research · 2022
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueClimate change impacts on agriculture
Établissements canadiensnon disponible
Organismes subventionnairesHaramaya University
Mots-clésLivelihoodClimate changeDescriptive statisticsGeographyAgricultureFocus groupSocioeconomicsIrrigationAdaptation (eye)Agricultural economicsEnvironmental resource managementBusinessEconomicsPsychologyMarketingStatisticsAgronomy

Résumé

récupéré en direct d'OpenAlex

Climate variability and change are a serious threat to the livelihoods of rural communities because they are very sensitive to such changes. This study assesses the major adaptation strategies pursued by farm households to climate variability and change impact in Benishangul Gumuz regional state, western Ethiopia which is harshly affected by climate change stresses. The data were collected from a randomly selected 385 sample households through interview using field-based questionnaires and focus group discussions and analyzed using descriptive statistics. The results pointed out that the likelihood of households to adopt crop diversity, soil and water conservation practice, small scale irrigation, crop rotation, adjusting planting date and improved crop varieties were 54.2%, 49.8%, 47.3%, 45.3%, 44.4% and 43.5% respectively. Moreover, the results indicated that the joint likelihood of using all adaptation strategies was only 1.64% and the joint likelihood of failure to adopt all of the adaptation strategies was 2.92%. Therefore, future policy should focus on towards supporting improved extension service, offer climate related training and information especially to adaptation technologies to increase the farm households experience in adopting different strategies to the negative effects of climate variability which is a global problem of this century.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,537
Score d'incertitude au seuil0,986

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,003
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,144
Tête enseignante GPT0,345
Écart entre enseignants0,201 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSustainable Agriculture ResearchMême sujetClimate change impacts on agricultureTravaux en français237 207