Variabilité climatique et stratégies d’adaptation des riziculteurs de la Basse-Casamance (Sénégal)
Bibliographic record
Abstract
Depuis plusieurs décennies, l’Afrique de l’Ouest connaît une perturbation des conditions climatiques marquée par une irrégularité des précipitations et une augmentation significative des températures avec des répercussions négatives sur les moyens d’existence des populations rurales. En Basse-Casamance, la riziculture traditionnelle, base du patrimoine lignager et au fondement de l’identité diola, traverse une crise exacerbée par le changement climatique. Ce travail analyse les impacts de la variabilité climatique et les stratégies d’adaptation des riziculteurs de la Basse-Casamance. La méthode combine les outils de la géographie environnementale et sociale, à savoir le traitement et l’analyse des données climatiques, les enquêtes par questionnaire et guide d’entretien et les séances d’observation directe et participante. L’analyse des données pluviométriques et de températures a permis d’observer un retour à des conditions plus humides depuis le début du XXIe siècle, avec une forte variabilité spatio-temporelle des précipitations et une augmentation significative des températures moyennes en Basse-Casamance. Il résulte des enquêtes que les riziculteurs comptent sur leurs savoirs et savoir-faire pour s’adapter à la variabilité climatique, les politiques publiques étant souvent en déphasage avec les réalités locales. Aujourd’hui, les riches connaissances et compétences de ces riziculteurs sont de plus en plus menacées par les changements globaux limitant ainsi leur capacité d’adaptation. Ainsi, ce travail vise à contribuer au débat scientifique sur les savoirs, pratiques et innovations des communautés locales et s’interroge sur l’opérationnalité de la transition agroécologique dans ce contexte.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.001 |
| 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".