Biomass burning and biochar: developments in Sub-Saharan Africa
Notice bibliographique
Résumé
Abstract Biomass burning remains widespread in Sub-Saharan Africa (SSA), driven by a complex interplay of factors: technological limitations, colonial-era policies that contributed to deforestation, cultural practices, unmanaged waste disposal resulting in dumpsite fires, vegetation burning for land preparation, politically motivated fires from riots and protests, climate change-induced wildfires, and traditional cooking and heating practices rooted in poverty and insufficient land management strategies. This narrative review assesses biomass burning and biochar developments in SSA, highlighting the environmental impacts and viable mitigation strategies. Satellite data analysis reveals that Côte d’Ivoire experienced 122,014 agricultural fires from 2016 to 2019, peaking at 13,387 in February 2016. In 2019, Nigeria recorded 86,464 fires, resulting in approximately 0.019 Tg of black carbon emissions. Ghana reported 0.014 Tg of black carbon emissions, with burn scars comparable to Nigeria. Open vegetation burning in Zambia and Southern Africa during 2000 resulted in a burned area of 210,000–830,000 km2, emitting 18–31 Tg of carbon monoxide. SSA has a technically recoverable biomass of no less than 21,646 PJ, with approximately 1,986.5 PJ available from woody biomass, yet only 25 % of this resource is utilized, indicating significant underutilization. Biochar, derived from biomass, offers significant benefits for enhancing soil fertility, bioenergy production, carbon sequestration, and pollution control. Converting crop residues to biochar can mitigate up to 0.89 tons of CO2 per ton of residues. In Cameroon, transforming 2,000 kg of agricultural waste into biochar could prevent 939.7 kg CO2 eq emissions. However, SSA accounts for only 4.8 % of global biochar production, constrained by socio-economic, technological, and policy barriers. To improve biochar adoption and mitigate biomass burning impacts, this review recommends regional strategies including knowledge sharing, capacity building, policy incentives, public participation, sustainable management practices, and investment in bioenergy initiatives.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,002 | 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 ».