The Role of Agroforestry in Poverty Alleviation: A Case Study from Nujiang Prefecture, Southwestern China
Notice bibliographique
Résumé
Agroforestry has gained increasing attention as a sustainable land use mode to ensure food security, mitigate global climate change, and improve farmers’ livelihoods. Likewise, agroforestry plays a key role in alleviating poverty, mitigating climate change and achieving the Sustainable Development Goals (SDGs) in China. Lanxangia tsaoko, as a typical agroforestry species in Nujiang Prefecture, plays a vital role in improving farmers’ livelihoods. After years of development, the Lanxangia tsaoko industry (LTI) in Nujiang Prefecture has made remarkable achievements and accumulated useful experiences. Taking the development of LTI as an example, this paper analyzes the impact of agroforestry on farmers’ livelihoods and its mechanism through field survey and theoretical deduction. First, by investigating the willingness of households to choose LTI, we found that most farmers have a positive attitude toward LTI, and they actively participate in cooperative organizations. Then, by analyzing the development stage and mode of LTI in Nujiang Prefecture, we found that the industry has made significant progress under the external and internal effects. We also found that the mechanism by which agroforestry affects farmers’ livelihoods is a process in which various stakeholders, including government, enterprises, farmers, etc., participate in industrial development with their production components and advantages. Although agroforestry is an effective way to improve farmers’ livelihoods and promote sustainable agricultural development, it is also necessary to pay attention to risk prevention. This paper discusses the role of agroforestry in farmers’ livelihoods, which provides a reference for lower-income forest areas.
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 | 0,000 |
| 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 ».