Productivity Determinants and Production Constraints of Apple (<I>Malus</i> Spp) in Jumla District of Nepal
Notice bibliographique
Résumé
A study was conducted to determine the factors affecting apple productivity and production constraints in the Jumla district of Nepal from February to June 2023. A total of 70 respondents were selected by using a simple random sampling technique. Semi-structured questionnaires and focus group discussions were used to collect the primary data. Secondary data were collected from ADO reports, Apple super zone and, CBS. SPSS was used to analyze the collected data and descriptive statistics were used to describe socio-demographic characteristics using frequency and percentage. A multiple regression model was used to determine factors affecting Apple's productivity. It showed that 61.7% of the productivity was explained by independent variables used in the model. The result of the regression model showed that years of farming experience and tree density were found positively significant at 10% and 1% level of significance. Intercropping was found negatively significant at 10% level of significance. The relative importance index method was used for ranking the production constraints of Apple. Insect disease damage was found to be the most important constraint to apple production with a high index value (0.911) followed by problem of irrigation (0.703), ineffective extension services (0.497), unavailability of inputs (0.451) and labor costs (0.437). Therefore the study suggests increased tree density, years of farming experience, and the introduction of effective bio pesticides are needed for improving the apple sector in the study area. For the better production and productivity of apple, further study on effective biopesticides, promising resistant varieties and sustainable orchard management practices are needed.
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 | 0,000 | 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 | 0,001 |
| 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 ».