Banana Production Systems, Constraints and Management Strategies in Nyeri County, Kenya
Notice bibliographique
Résumé
Banana (Musa acuminata L.), ranks first among horticultural fruits in Kenya. The crop accounts for 17.8% of the total value and 34.5% of all fruits. The crop is mainly grown for food security and income generation mainly by smallholder farmers. In Kenya, the crop is one of the prioritized value chains for upgrading. The aim of the study was to conduct a situation analysis on banana production in Tetu and Othaya sub-Counties of Nyeri County. Data on household characteristics, banana production practices and constraints and marketing was collected from banana farmers and subjected to Statistical Package for Social Sciences (SPSS) version 25.0. The study indicated that 81% of households’ heads were males. The respondents (80%) depended on farming for livelihood. Farmers mainly grew banana cooking variety Uganda green (42.5%), ripening variety Sweet banana (21.49%) and Muraru (20.18%). Most farmers used suckers (72%) obtained from own farm (50%) and community (37%) as planting materials. Only 3% of the respondents used tissue culture (TC) banana plantlets. Local market (46%) absorbed most of the banana produce. The main constraints identified to affect banana production were delayed rainfall (60%), diseases (60%), lack of improved varieties (57%) and field pests (48.5%). The findings from this study showed that men are more involved in banana production and farmers had not embraced tissue culture technology for clean planting materials and yield improvement. Therefore, there is a need for gender inclusion in banana production and training programs which are essential for raising awareness TC banana technology for disease management and increased yield for enhanced food security and income.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 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 ».