Loss Of Agricultural Land To Urban Expansion In India: Patterns, Drivers And Policy Concerns 1991 To 2022
Notice bibliographique
Résumé
India has experienced rapid urban growth since the 1991 economic liberalisation, and this process has led to widespread conversion of agricultural land into built-up areas. Using data drawn from the Directorate of Economics and Statistics (Ministry of Agriculture & Farmers Welfare), Census of India reports, and land-cover classifications produced by the National Remote Sensing Centre up to 2022, this study maps the scale and geography of farmland loss across three decades. At the national level, land placed under non-agricultural uses increased from 18.3 million hectares in 1991-92 to 26.9 million hectares in 2021-22, whereas net sown area shrank by roughly 1.8 million hectares even as population rose sharply. The most severe declines have occurred in Punjab, Haryana, Uttar Pradesh, Maharashtra, Tamil Nadu, and Karnataka, with peri-urban rings around Delhi-NCR, Mumbai, Bengaluru, Hyderabad, and Chennai showing the highest rates of built-up expansion. Economic reforms, real-estate speculation, loosely regulated Special Economic Zones, lax zoning enforcement, and large infrastructure projects have jointly driven this transformation. The resultant effects include slower growth in food-grain output, displacement of marginal farmers and landless labourers, degradation of groundwater recharge zones, and heightened food-security risks. Although several protective laws and policy documents have appeared over the years, implementation has remained weak. The paper argues that, without binding safeguards for high-quality agricultural land and a deliberate shift towards compact and vertical urban development, India will continue to lose its productive soil base irreversibly.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».