MétaCan
Menu
Retour à la cohorte
Enregistrement W4413241198 · doi:10.1007/s10113-025-02440-7

Climate change impacts livestock carrying capacity in East Africa

2025· article· en· W4413241198 sur OpenAlexaff
Confidence Duku, G. T. Diro, Teferi Demissie

Notice bibliographique

RevueRegional Environmental Change · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRangeland Management and Livestock Ecology
Établissements canadiensEnvironment and Climate Change Canada
Organismes subventionnairesAustralian Centre for International Agricultural ResearchConsortium of International Agricultural Research CentersWorld Bank Group
Mots-clésLivestockRangelandFood securityClimate changeLivelihoodTemperate climateAgroforestryGeographyGreenhouse gasEnvironmental sciencePrecipitationProductivityAgricultureEcologyForestryEconomics

Résumé

récupéré en direct d'OpenAlex

Abstract Climate change poses a significant threat to livestock production in East Africa, with major implications for food security, rural livelihoods, and greenhouse gas emissions. Existing approaches to livestock carrying capacity often rely on either localized ground surveys, which are insufficient for capturing the spatial variability and dynamic responses of rangelands at regional scales, or on process-based models, which require extensive calibration and are often unsuitable for data-scarce regions such as East Africa. Here, we address this gap by developing a novel machine learning-based approach that integrates remote sensing-derived biomass data with climate projections to estimate future changes in livestock carrying capacity and to diagnose their primary drivers. Our results project substantial declines in carrying capacity, particularly across mixed crop-livestock rainfed temperate systems. For example, reductions of up to 37% in tropical livestock units (TLU) are projected in Ethiopia’s dominant mixed crop-livestock rainfed temperate system, while Kenya is expected to experience up to a 24% reduction in the same production system, alongside moderate declines in Uganda. Modest increases are projected for some production systems, especially in parts of Uganda and Kenya. The main climatic drivers underlying the projected declines include increased precipitation during the wettest quarter, decreased temperature seasonality, and increased temperature during the driest quarter. Our findings highlight the urgency of implementing tailored adaptation strategies in the mixed crop-livestock rainfed temperate systems, especially in Ethiopia, with a focus on strengthening monitoring systems. Simultaneously, Uganda, Tanzania, and Kenya should capitalize on projected increases in carrying capacity, promoting sustainable productivity growth while prioritizing low-emissions livestock development.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,030
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,074
Tête enseignante GPT0,231
Écart entre enseignants0,157 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRegional Environmental ChangeMême sujetRangeland Management and Livestock EcologyTravaux en français237 207