Deforestation in Cameroon : causes and effects on cereal yields, population vulnerability and response through reforestation and other policies
Bibliographic record
Abstract
La perte de forêt pourrait être attribuée à plusieurs variables qui pourraient être naturelles ou humaines. Cette étude vise à vérifier quantitativement les réelles causes du déboisement à une échelle nationale au Cameroun parmi les variables indépendantes suivantes (bétail, production de nourriture, bois de chauffage, terres agricoles permanentes, précipitations, population et produits forestiers). Cette étude examine également les interactions entre les variables telles que la zone forestière, les précipitations, les émissions de CO2 et la production de nourriture à une échelle nationale. En outre, une analyse des effets relatifs du déboisement et des changements climatiques sur les rendements de céréales à une échelle d'étude de cas est effectuée. Ceci est suivi d'une enquête sur l'ampleur de la vulnérabilité des personnes selon leur genre et revenu à une échelle d'étude de cas. En outre, cette étude examine les raisons du succès et de l'échec dans deux projets de reboisement et examine finalement les politiques qui pourraient être adoptées pour réduire le déboisement au Cameroun. Pour vérifier les causes de la perte des forêts et les interactions entre les variables, différentes données sur les diverses variables ont été obtenues au FAOSTAT, World Resource Institute, UNEP, Université d'Oxford et Banque Mondiale. Ceci était des données de séries chronologiques entre 1961-2000. 200 questionnaires ont été administrés pour vérifier les perceptions des céréaliers sur les contributions relatives des précipitations et du déboisement sur les rendements en baisse des céréales pour vérifier les raisons du succès et de l'échec des projets de reboisement et pour évaluer la vulnérabilité des populations selon leur genre et revenu. Des données de séries chronologiques sur la production de céréales réelle et projetée entre 1975-2005 ont été obtenues au Bureau de céréales à Garoua. Des données de NDVI et des précipitations ont été obtenues à l'Advanced Very High Resolution Radiometer (AVHRR), United States Geological Survey (USGS) and the National Oceanic and Atmospheric Administration (NOAA). Des données de NDVI ont été corrélées avec des précipitations. Les données sur les causes de la perte des forêts et les interactions entre les variables ont été analysées avec R programming et SPSS en utilisant des régressions linéaires, des complots de séries chronologiques, des matrices de corrélation et des coefficients de détermination. Les 200 questionnaires ont été analysés dans SPSS afin de calculer des pourcentages, fréquences et corrélations de Pearson. Les données de séries chronologiques sur la production de céréales ont été analysées en soustrayant la production réelle de la production projetée; la méthode de three period moving averages a également été utilisée sur ces données. Les données sur les tendances des précipitations et des forêts pour le Sahel ont été analysées. Pour analyser les politiques contre le déboisement, une analyse systématique des causes et agents a été appliquée. Cette étude a constaté que la population et la production de nourriture sont les causes principales de la perte des forêts. En outre, pendant que la quantité de forêt réduit, les émissions de CO2 augmentent. D'autre part, pendant que les forêts et les précipitations diminuent, la production de nourriture réduit également. La baisse de quantité de forêts est davantage liée aux baisses de production de nourriture qu'aux précipitations. De la même manière, la plupart des répondants dans la zone d'étude pensent que le déboisement est davantage responsable des baisses de rendement de céréales que les précipitations. En termes de vulnérabilité, les femmes et les pauvres sont les plus affectés par les baisses de nourriture parce que les pauvres n'ont pas assez de revenu pour acheter de la nourriture dans les périodes de pénurie, alors que les femmes dans cette région sont naturellement associées à la production d'aliments. Des politiques qui aideront à réduire le déboisement devraient être adaptées. Incluant l'intensification de l'agriculture, entre autres. Il existe un lien direct entre le succès de la plantation et la participation active des parties prenantes. \n______________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : déboisement, causes et les effets, rendements céréaliers, la vulnérabilité des populations, le reboisement et autres politiques, Cameroun
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".