Characterization of Control Methods for Fall Armyworm (Spodoptera frugiperda J. E. Smith) in the Maize (Zea mays L.) Cropping Systems in Central Benin
Notice bibliographique
Résumé
In Benin, the Fall armyworm (Spodoptera frugiperda J.E. Smith) causes severe damage to maize crop and threatens the food security of thousands of small farmers. The objectif of this study was to inventory local knowledge on the management of the Fall armyworm (FAW) by maize farmers in central Benin. A semi-structured questionnaire was used to collect information from 1885 maize farmers in six communes in central Benin. Data were analyzed using descriptive statistics, multivariate analysis and logistic regressions. Results showed that farmers consider FAW attacks as a major constraint to maize production. The common control method used by maize farmers is chemical control (90% of respondents) with synthetic products. Chemical families such as Pyrethroids, Avermectins, Neonicotinoids, Organophosphates are used. The farmers (4%) use organic products such as aqueous extracts of Azadirachta indica, Jatropha curcas and Carica papaya to control FAW. Certain farmers do not used any control method for FAW. Socioeconomic characteristics such as area planted, age, experience in maize production, farmer’s organization membership, level of education, gender, and income level of the farmer significantly determine (p < 0.05) the type of control method used against FAW. These factors should be taken into account by extension programs. Extension services can use farmers in these socio-economic categories as innovators to spread new and more effective control methods against Fall armyworm.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».