Profitability and Farmer Acceptability of Selected Climate Smart Technologies and Practices for Maize-Beans Production in Drought-Prone Areas, Uganda
Notice bibliographique
Résumé
Climate change is increasingly affecting farm-level decisions on when to plant and which climate smart agriculture (CSA) options to use. This study was conducted to determine the profitability and farmer acceptability of different CSA options for maize-bean production in drought-prone areas of Uganda. It was conducted on-farm in Rakai and Nakasongola districts during 2020 and 2021. Variables included: planting date (early vs late); varieties (common beans: NABE 4 and NAROBEAN 2, and maize: Longe 5 and Bazooka); intercropping versus pure stand; and fertiliser use (manure, Diammonium phosphate (DAP) or combination). The experimental design was split-split plot, replicated six times. Over two years, early planting caused 16% and up to 46% higher yields of maize and beans, respectively, than late planting, resulting in 14% - 28% and 18% - 43% higher Benefit/Cost (B/C) ratio for maize and beans, respectively. Intercropping reduced maize and beans yield by 16% - 25% and 52% - 57%, respectively. The B/C was highest for sole maize; intercropping was more profitable than sole beans. Fertilizer (DAP) was most profitable when Bazooka was early-planted as sole crop followed by intercrop. For late planted-crop, manure was better. These practices were more beneficial when applied simultaneously for both crops excluding bean variety. Farmers’ lessons stressed the importance of early planting and fertilizer use; however, majority indicated they were to adopt more than two of the practices tested.
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 | 0,002 | 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 | 0,000 |
| 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 ».