Productivity and Constraint in Multipurpose Tree Species Cultivation: A Case Study from Cilimus Village, Wan Abdul Rachman Forest Park, Indonesia
Notice bibliographique
Résumé
Cilimus Village serves as a crucial buffer for the Tahura Great Forest Park, a conservation area in Lampung province, Indonesia, that embraces a social forestry conservation partnership system.Within this system, local communities engage in agroforestry practices; however, the specific multi-purpose tree species (MPTS) cultivated, their productivity, and the challenges encountered during cultivation remain poorly documented.This study endeavors to catalog the variety of MPTS cultivated, identify the most economically viable species, and elucidate the challenges impeding farmers in the agroforestry process.Employing a mixed-methods approach, this research utilized questionnaires, distributing 40 to local farmers, complemented by direct observations in the MPTS plantations to corroborate questionnaire findings with field conditions.Subsequent data processing and analysis were conducted through descriptive, quantitative, and qualitative methods.Findings reveal the cultivation of 14 distinct MPTS commodities by forest farmers in Cilimus Village, with clove emerging as the predominant crop.Importantly, cloves yielded the highest average annual fruit production per hectare, measured at 19.57 kg yr -1 • ha -1 , which translates to an economic value of 2,152,700 IDR yr -1 • ha -1 .Additionally, alongside MPTS, farmers also cultivate a range of non-MPTS crops, including bananas, areca nuts, chilies, and vanilla.Productivity constraints extend beyond climatic and environmental factors; limitations in human resources also critically affect MPTS harvests.Consequently, a comprehensive approach that addresses both environmental conditions and human resource development is imperative for augmenting MPTS yield.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».