Understanding Farmers’ Knowledge, Perceptions, and Adaptation Strategies to Climate Change in Eastern Rwanda
Notice bibliographique
Résumé
This study investigates farmers’ knowledge, perceptions, and adaptation strategies to climate change in Rwanda’s Eastern Province, integrating social and physical science approaches. Analysing meteorological data (1981-2021) and surveys from 204 farmers across five districts, we assessed climate trends and adaptation behaviors using statistical methods (descriptive statistics, Chi-square, logistic regression, Regional Kendall test, dynamic linear state-space model). Results show that 85% of farmers acknowledge climate change, with 54% observing temperature increases and 37% noting rainfall declines. Climate data confirm significant rises in annual minimum (+2.95°C) and mean temperatures (+1.87°C), with the largest seasonal increase (+3.37°C) in June-August. Rainfall trends indicate a non-significant decrease in March-May and a slight increase in September-December. Farmers report crop failures, yield reductions, and food shortages as major climate impacts. Common adaptations include agroforestry, crop diversification, and fertilizer use, though financial limitations, information gaps, and input scarcity impede adoption. Despite limited formal education (53.9% primary, 22.3% no formal education), indigenous knowledge aids seasonal prediction. Livestock ownership, group membership, and climate data access are key adaptation enablers. These findings emphasize the need for targeted policies and climate communication to enhance rural resilience by strengthening smallholder farmer support systems for effective climate adaptation.
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 | 0,003 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».