Climate change impacts livestock carrying capacity in East Africa
Notice bibliographique
Résumé
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 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 | 0,001 |
| 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) | 0,003 | 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 ».