Social-ecological landscape sustainability in West Africa: applying the driver pressure state impact response framework in Ghana and Nigeria
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study interrogates the state of social-ecological landscapes (SEL) in West Africa, focusing on two case studies: the Mankran SEL in Ghana (case study 1) and the Doma–Rutu SEL in Nigeria (case study 2). Using a mix of methods, the assessment was framed by the Drivers Pressure State Impact Response (DPSIR) model tailored for SEL evaluation (DPSIR-SEL). In the Mankran landscape, land use patterns shifted significantly from 2008 to 2018, with cash crop cultivation peaking at 30% in 2015 before declining to 14.5% by 2018. Water quality assessments in the Mankran micro-watershed indicated that several parameters, including Total Suspended Solids (TSS) at 914.41 ± 1974 mg/L, lead at 18.73 ± 17.26 µg/L, and arsenic at 53.41 ± 86.66 µg/L, exceeded World Health Organization (WHO) standards, raising concerns about potential contamination. In contrast, the Doma–Rutu landscape in Nigeria experienced land use and land cover (LULC) changes from 2000 to 2022, characterized by the expansion of residential and agricultural areas alongside modifications to natural water bodies and vegetation. Water quality issues have emerged, with elevated levels of electrical conductivity, total dissolved solids, and salinity. Furthermore, Focus Group Discussions (FGDs) revealed persistent herder-farmer conflicts in Nigeria, which have historically constrained crop production due to various environmental and social factors. The intertwined challenges faced by both the Mankran and Doma–Rutu landscapes underscore the urgent need for sustainable and inclusive resource management, adaptive land-use strategies, and proactive measures to safeguard water quality.
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.
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 | 0,005 | 0,003 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle