Confronting climate change and livelihood: smallholder farmers’ perceptions and adaptation strategies in northeastern Burundi
Notice bibliographique
Résumé
Abstract Rain-fed agriculture is the main source of livelihood for most of Burundi’s population, especially in the northeastern part of the country. This research is aimed at examining how smallholder farmers in the Northeastern region of Burundi perceive climate change and variability and at identifying the methods that are used to adapt, based on data from 200 small farmers and on actual weather data recorded between 1986 and 2017. We find that the majority of farmers (54%) perceive significant increases in temperature and unpredictability of rainfall duration and intensity and are making adjustments to adapt their agriculture in response to changes in climate. Over 80% of farmers have implemented at least one adaptation strategy among the nine evaluated. Changing crop varieties, changing fertilizers, and planting shade trees are the main adaptation strategies that were being implemented by farmers across the study area. The results of a binary regression model showed that the agricultural education and experience of farmers, as well as farm and family size, livestock ownership, climate information access, credit access, and farm income, strongly influence smallholder farmers’ decisions to adapt to climate change. The main obstacles are the lack of information on climate and adaptation strategies, and poverty, which makes it difficult to cope with the increased costs of farming. Understanding farmers’ perceptions of climate change and variability on a local level would provide information on how to develop adaptation strategies. The present study suggests the need for strengthening farmers’ capacities and improving the policy framework for adaptation to climate change in order to improve farmers’ livelihoods. Implications for policymakers will, therefore, include making flexible credit facilities, and investing in training extension agents on both climate change outreach and coping strategies.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| 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 ».