Haushalt und Grundstück

Scientific Data Band 10, Artikelnummer: 516 (2023) Diesen Artikel zitieren

Details zu den Metriken

Diese Studie sammelte Belege für den Einsatz früh gesäter Weizensorten und ergänzender Null-Bodenbearbeitungstechnologien im Nordwesten Indiens. Detaillierte Informationen über das Wissen der Landwirte, Adoptionsentscheidungen, persönliche Erfahrungen und Wahrnehmungen von Frühweizen- und Null-Bodenbearbeitungstechnologien wurden auf Haushaltsebene mithilfe verschiedener Umfragetools gesammelt. Zusätzliche Informationen zu landwirtschaftlichen Praktiken während der Rabi-Saison 2021/22 wurden auf Parzellenebene gesammelt und geokodiert. Insgesamt umfasst der Datensatz Antworten von 1206 Weizenbauern in 70 Dörfern in 7 Distrikten in Punjab und Haryana, die zwischen September und Oktober 2022 gesammelt wurden. Die Dörfer wurden mithilfe einer geschichteten Zufallsstichprobe auf der Grundlage eines Stichprobenrahmens von 1722 identifizierten Gemeinden ausgewählt überwiegend Weizenanbaugebiete basierend auf Fernerkundungsdaten aus Satellitenbildern. Der Datensatz liefert umfangreiche Informationen, die zur Bewertung der Verbreitung und Auswirkung kürzlich entwickelter Weizensorten für die Frühaussaat, zur Identifizierung von Hindernissen für die breitere Einführung dieser Technologien und zur Information über politische Entscheidungen zur Verbesserung der Einführung und Nutzung von Entscheidungen landwirtschaftlicher Innovationen verwendet werden können.

Ein drängendes Problem im Nordwesten Indiens sind klimawandelbedingte Temperaturerhöhungen und Wasserknappheit am Ende der Weizenanbausaison, die zunehmend zu weit verbreiteten Ernteausfällen und Ernährungsunsicherheit bei Kleinbauern in dieser Region führen1,2,3. Eine mögliche Lösung zur Vermeidung von Ernteschäden während der Endhitze kurz vor der Weizenerntesaison sind neue Sorten, die eine höhere Frühhitzetoleranz aufweisen und daher im Vergleich zur herkömmlichen Aussaat (Ende November und Dezember) früh (im Oktober und Anfang November) gesät werden können )4,5,6. Eine frühe Aussaat ermöglicht es den Landwirten dann, den Anbauzyklus (einschließlich der Ernte) nach vorne zu verschieben und so das Risiko von Ernteschäden durch Hitze- und Wasserknappheit gegen Ende der Anbausaison zu verringern.

Solche Frühweizensorten (ESW) wurden kürzlich entwickelt und in verschiedenen Regionen verbreitet. Beispielsweise wurden nach staatlich koordinierten Versuchen drei vom International Maize and Wheat Improvement Centre (CIMMYT) entwickelte Weizensorten (DBW 187, DBW 303 und WH 1270) im Jahr 2020 für die Aussaat im Oktober unter Bewässerungsbedingungen in der North Western Plains Zone freigegeben aus Indien (unserem Wissen war dies die erste Veröffentlichung von Weizensorten speziell für die Aussaat im Oktober in Indien). Allerdings bleiben die Verbreitung und die Auswirkungen dieser ESW-Sorten weitgehend unbekannt, da es an systematischen Belegen für die Adoptionsentscheidungen und -ergebnisse der Landwirte mangelt, die eine solche Bewertung ermöglichen würden. Unsere Studie sollte diese Lücke schließen und potenzielle Hindernisse für die breitere Einführung von ESW-Sorten in Indien identifizieren. Da es wichtige Synergien zwischen ESW und anderen landwirtschaftlichen Technologien, wie z. B. Geräten zur Bodenbearbeitung,7,8 gibt, haben wir auch Informationen über die Nutzung und das Wissen dieser Technologien gesammelt.

In der Literatur zur Einführung landwirtschaftlicher Technologien bei Kleinbauern wird eine Vielzahl von Faktoren als potenzielle Hindernisse für die Einführung moderner landwirtschaftlicher Technologien angesehen, darunter Marktunvollkommenheiten im Zusammenhang mit Finanzen und Versicherungen9,10, eingeschränkter Zugang zu ergänzenden Betriebsmitteln (wie Grundwasser usw.). bezahlbare Energie für die Bewässerung)11,12,13,14, Informations- und Lernkonflikte15,16,17, Peer-Effekte in sozialen Netzwerken18,19,20,21 sowie andere Verhaltensverzerrungen22. Durch die Sammlung umfangreicher Informationen sowohl über die tatsächlichen Einführungsraten von ESW und die entsprechenden landwirtschaftlichen Ergebnisse als auch über das Wissen und die Wahrnehmung der Landwirte über ESW und Null-Bodenbearbeitungstechnologien (unabhängig davon, ob sie diese Technologien persönlich genutzt haben) kann unser Datensatz für zukünftige Forschungen nützlich sein untersucht verschiedene Kanäle und Mechanismen, die sich auf die ESW-Einführung auswirken, und dient letztendlich dazu, die Politikgestaltung zu informieren, die darauf abzielt, die Einführungs- und Nutzungsentscheidungen dieser landwirtschaftlichen Innovationen zu verbessern.

Es gibt einige andere Studien, die sich mit der frühen Weizenaussaat in Indien befasst haben. Die meisten dieser Studien konzentrieren sich auf die Messung der Verbreitung der frühen Aussaat auf der Grundlage von Aussaatdaten, die anhand von Fernerkundungsdaten vorhergesagt werden6,23,24,25,26. Konkret werden diese Daten in der Regel aus nachweisbaren Veränderungen der Vegetationsindizes (Ergrünung) abgeleitet, die aus Satellitenbildern gewonnen werden, kombiniert mit Informationen von Testbetrieben über die durchschnittliche Zeit, die Weizen von der Aussaat bis zur Ergrünung benötigt. Während einige dieser Studien auch Fernerkundungsdaten verwenden, um Schätzungen über die Auswirkungen der frühen Aussaat auf die Weizenerträge zu liefern, erlauben diese Daten in der Regel keine Unterscheidung zwischen den verschiedenen Weizensorten, die von den Landwirten in dieser Region verwendet werden, und machen daher eine Aussage unmöglich Schlussfolgerungen zur Verbreitung und Wirkung neuer ESW-Sorten. Darüber hinaus sind uns keine vorhandenen Felddaten bekannt, die eine direkte (bodenverifizierte) Analyse der Beziehung zwischen ESW-Sorten, landwirtschaftlichen Praktiken und Ergebnissen, Wissen und Einstellungen im Zusammenhang mit ESW sowie Merkmalen von Betrieben und Landwirten kombinieren. Indem wir diese Lücke schließen, kann unser Datensatz zur Bewertung der Verbreitung und Wirkung bestimmter Weizensorten (einschließlich der kürzlich für die Frühsaat entwickelten) und zur Identifizierung von Hindernissen für ihre breitere Einführung verwendet werden.

Die ethische Genehmigung für die Studie wurde vor der Feldarbeit von der Ethikkommission der Universität Göttingen eingeholt (Datum: 8. September 2022; Genehmigungsnummer: keine). Den Teilnehmern wurde eine schriftliche Einwilligungserklärung ausgehändigt und nur dann interviewt, wenn sie sich mit der Teilnahme an der Studie und der Nutzung der erhobenen Daten in anonymisierter Form zur Veröffentlichung einverstanden erklärten. In den Einwilligungserklärungen wurde außerdem darauf hingewiesen, dass die Teilnahme freiwillig ist und dass die Teilnehmer nach ihrer Teilnahme jederzeit das Recht haben, sich von der Umfrage abzumelden oder einzelne Fragen nicht zu beantworten.

Die Stichprobenstrategie basierte auf Gemeindegrenzdaten (Administrator 5 Einheiten)27 als primärer Stichprobeneinheit. Die Studienpopulation bestand aus 9336 Gemeinden in Punjab und Haryana, die durch Fernerkundungsdaten als vorwiegend Weizenanbaugebiete identifiziert wurden. 1188 dieser Gemeinden zeigten Hinweise auf eine frühe Weizenaussaat, wie aus einer von Jain et al.24 beschriebenen Technik zur Analyse von Fernerkundungsdaten hervorgeht. Diese Gemeinschaften, im Folgenden als „Frühsaat-Gemeinschaften“ bezeichnet, enthielten Pixel der im Oktober gesäten Weizenfläche (und eine Prävalenz von der Zeit bis Mitte November). Während „reguläre Aussaatgemeinschaften“ keine Anzeichen von Weizenpixeln zeigten, die im Oktober gesät wurden (und eine Prävalenz aus der Zeit nach Mitte November). Um die Reisezeit während der Feldarbeit zu verkürzen und da der Schwerpunkt dieser Studie auf Frühsaat-Weizenbauern und deren Unterschiede zu den regulären Weizensäern liegt, haben wir uns entschieden, Bezirke auszuwählen, in denen es eine Konzentration von Frühsaat-Gemeinschaften gibt, wie in Abb. 1 dargestellt. Daher wurden in einem ersten Schritt gezielt sieben Bezirke als Hauptstichprobenrahmen ausgewählt: zwei Bezirke in Punjab (Amritsar, Hoshiarpur) und fünf Bezirke in Haryana (Gurugram, Kurukshetra, Mahendragarh, Nuh, Rewari). In diesen Bezirken befanden sich mehr als 70 % (846) der Frühsaatgemeinschaften der Studienpopulation, gleichzeitig gab es aber auch eine ausreichende Anzahl an regulären Saatgemeinschaften (n = 876).

Stichprobenrahmen studieren. Die Karte links zeigt (in grün) Gemeinden, die Anzeichen einer frühen Weizenaussaat aufweisen. Diese Gemeinden konzentrieren sich auf die für die Studie ausgewählten Bezirke, wie in der Karte rechts dargestellt.

In einem zweiten Schritt wurden 70 Gemeinden ausgewählt. Die Distrikte in Punjab umfassten 209 Frühsaat-Gemeinschaften und 796 reguläre Saat-Gemeinschaften, während die Distrikte in Haryana 637 Frühsaat- und 80 reguläre Saat-Gemeinschaften umfassten. Unsere endgültige Stichprobe bestand aus 35 Frühsaat- und 35 regulären Saatgemeinschaften, die auf der Grundlage einer geschichteten Zufallsstichprobe ausgewählt wurden, die vier Hauptschichten abdeckte: Frühsäer aus Punjab, Regelsäer aus Punjab, Frühsäer aus Haryana und Regelsäer aus Haryana.

Schließlich wurden die Stichprobengemeinden den entsprechenden Dörfern zugeordnet, indem der Gemeindename im Grenzdatensatz mit dem Namen des Dorfes innerhalb seiner Grenzen abgeglichen wurde. Bei Gemeinden, die aus mehreren Dörfern bestanden, wurde das am zentralsten gelegene Dorf für die Aufnahme in die Stichprobe ausgewählt, um die Wahrscheinlichkeit zu erhöhen, dass sich die zum Dorf gehörenden landwirtschaftlichen Felder innerhalb der Stichprobengemeinde befanden (erwartungsgemäß lagen die meisten von uns besuchten Felder). in der unmittelbaren Umgebung der Dörfer, in denen Bauern lebten). Im letzten Schritt wurden die Interviewerteams angewiesen, Teilnehmer nach dem Zufallsprinzip aus einer vom Dorfvorsteher (Sarpanch) bereitgestellten Liste von Weizenanbaubauern auszuwählen. Bei der Feldarbeit stellte sich jedoch heraus, dass viele der Stichprobendörfer so klein waren, dass es den Interviewern gelang, alle Weizenbauern eines Dorfes zu befragen, die bereit waren, an der Studie teilzunehmen.

Das Erhebungsinstrument war in neun Abschnitte gegliedert. In den ersten beiden Abschnitten wurden grundlegende Informationen über den Befragten (Abschnitt A) und Haushaltsmerkmale (Abschnitt B) erfasst. In den Abschnitten C und D wurden die Befragten nach ihrem Bewusstsein für ESW- und Null-Bodenbearbeitungstechnologien, ihren Vorstellungen über die Auswirkungen des Einsatzes dieser Technologien auf verschiedene landwirtschaftliche Ergebnisse, Informationsquellen und früheren Einführungs- und Nutzungserfahrungen gefragt. Wichtig ist, dass diese Fragen allen Landwirten gestellt wurden, die angaben, von ESW- oder Null-Bodenbearbeitungs-Lösungen gehört zu haben, unabhängig von früheren Einführungsentscheidungen. In den Abschnitten E und F wurden detaillierte Informationen zu den Anbaupraktiken auf verschiedenen landwirtschaftlichen Parzellen gesammelt. Die Fragen konzentrierten sich auf die Rabi-Saison 2021/22 (die Hauptsaison für den Weizenanbau in Indien), einige Fragen bezogen sich jedoch auch auf die vorherige Saison (Kharif 2021) und das vorherige Jahr (Rabi 2020/2021), um mehr über die Fruchtfolge der Landwirte zu erfahren Praktiken Methoden Ausübungen. In Abschnitt E wurden allgemeine Parzellenmerkmale wie Standort, Fläche und angebaute Kulturpflanzen erfasst. Wenn auf der Parzelle Weizen angebaut wurde, wurden zusätzliche Informationen über die Art der Weizensorte, das Aussaatdatum (Monat und Woche), die Bodenbearbeitungsmethode, die geerntete Menge, den Eigentumsstatus, die Parzellenverwaltung und die verwendeten landwirtschaftlichen Betriebsmittel (einschließlich Arbeitskräfte, Bewässerung, Düngemittel, Herbizide, Pestizide). Diese Informationen wurden für die fünf größten Parzellen erhoben, die in der Rabi-Saison 2021/22 bewirtschaftet wurden (die meisten der befragten Landwirte hatten eine (52,2 %) oder zwei (28,4 %) bewirtschaftete Parzellen und nur 3,7 % gaben an, fünf oder mehr Parzellen zu haben). Abschnitt F ging auf eine bestimmte Parzelle ein, die auf Grundlage der Angaben der Befragten als größte Weizenparzelle mit früher Aussaat in der Rabi-Saison 2021/22 ausgewählt wurde (oder als größte Weizenparzelle, wenn der Landwirt in dieser Saison keine frühe Weizensaat durchgeführt hatte). frühere Antworten. Für diese Parzelle wurden die Befragten gebeten, zusätzliche Informationen zur Landvorbereitung, zur Verwendung von Rückständen, zur Art und Quelle des Saatguts, zum Erntedatum und zur Arbeitsverteilung für verschiedene landwirtschaftliche Aufgaben während des Anbauzyklus (einschließlich Landvorbereitung, Aussaat, Jäten, Bewässerung, Ausbringen) bereitzustellen Düngemittel und andere Betriebsmittel, Ernte, Dreschen und Getreidereinigung). In Abschnitt G wurden Informationen zum Lebensstandard, zum Einkommen und zum Vermögensbesitz der Befragten gesammelt. In Abschnitt H wurden die Befragten nach ihrer Wahrnehmung verschiedener Arten von Risiken gefragt, einschließlich Umwelt- und Landwirtschaftsrisiken im Zusammenhang mit dem Klimawandel. Im letzten Abschnitt wurden die Befragten gebeten, den Interviewer zu dem in Abschnitt F angegebenen Grundstück zu begleiten, um dessen GPS-Koordinaten aufzuzeichnen.

In jedem Abschnitt wurden verschiedene Umfragetools verwendet, darunter je nach Bedarf Single-Choice-, Multiple-Choice-, Likert-Skala- und offene Fragen. Das Erhebungsinstrument wurde vor der Implementierung getestet und die Qualität der Daten während der gesamten Dauer der Feldarbeit überwacht (weitere Einzelheiten finden Sie im Abschnitt zur technischen Validierung).

Die meisten Landwirte stimmten der Aufzeichnung der GPS-Koordinaten ihrer Parzellen zu. Jedem Interviewerteam stand ein Auto mit Fahrer zur Verfügung, falls ein Grundstück zu weit zum Gehen entfernt war (obwohl die durchschnittliche Entfernung zwischen Haushalten und Grundstücken in unserer Stichprobe nur 1,7 km betrug). Die Interviewer wurden in zwei Methoden zur Aufzeichnung der GPS-Koordinaten des Grundstücks geschult. Wenn es möglich wäre, auf das Grundstück zuzugreifen, würden sie die GPS-Koordinaten in der Mitte des Grundstücks ermitteln. Wenn das Begehen des Grundstücks nicht möglich war (z. B. aufgrund von Überschwemmungen), würden sie die GPS-Koordinaten an einem Rand des Grundstücks erfassen und auch die Kompassrichtung zur Mitte des Grundstücks aufzeichnen. Insgesamt wurden die GPS-Koordinaten von 515 Parzellen erfasst. Zu den Gründen für die Nichtabholung gehörten die Unzugänglichkeit (hauptsächlich aufgrund überfluteter Straßen am Ende der Monsunzeit), zeitliche Einschränkungen und die Entfernung zur Parzelle (die Interviewer wurden angewiesen, Parzellen, die mehr als 10 km vom Haushalt entfernt liegen, auszulassen).

Um die Anonymität der Befragten zu gewährleisten, wurden alle Variablen, die eine Identifizierung von Einzelpersonen oder ihren Dörfern ermöglichen würden, aus dem Datensatz entfernt. Darüber hinaus wurden die im Datensatz gemeldeten GPS-Koordinaten der Grundstücke anonymisiert, indem zunächst die Dorfdurchschnitte der Breiten- und Längengrade der zu jedem Dorf gehörenden Grundstücke berechnet und dann zufälliges Rauschen zu den durchschnittlichen Grundstückskoordinaten des Dorfes hinzugefügt wurden (wobei das Rauschen aus einer Uniform stammte). Verteilung zwischen −0,1 und +0,1 Bogengrad). Während dies dazu beiträgt, die Anonymität einzelner Befragter zu gewährleisten, ermöglichen die manipulierten Koordinaten dennoch die Zusammenführung des Datensatzes mit anderen geokodierten Variablen (z. B. Niederschlags- oder Temperaturschätzungen).

Der Datensatz ist über die Datenspeicherplattform der Universität Göttingen (Göttingen Research Online)28 zugänglich. Der Ordner enthält den Datensatz als Tab-Datei (der als DTA-Datei zur Verwendung in Stata heruntergeladen werden kann), den Umfragefragebogen in Englisch (PDF-Datei) und eine Tabelle, in der alle Variablen beschrieben und mit der jeweiligen Umfrage verknüpft sind item (XLSX-Datei). Variablen im Datensatz sind beschriftet und beziehen sich meist auf den Text des jeweiligen Umfrageelements im Fragebogen. Binäre Variablen, die „Ja/Nein“-Fragen entsprechen, wurden mit 1 (Ja) und 2 (Nein) codiert. Alle anderen numerischen Variablen, die Single- oder Multiple-Choice-Fragen entsprechen, tragen Wertebezeichnungen. Mit Ausnahme der oben genannten Manipulationen zur Gewährleistung der Anonymität der Befragten liegen die Daten im Rohformat vor.

Bei der Gestaltung des Fragebogens wurden die besten Praktiken beachtet, die derzeit in großen Haushaltsumfragen wie der Living Standards Measurement Study – Integrated Surveys on Agriculture (LSMS-ISA)29 der Weltbank angewendet werden. Das Erhebungsinstrument wurde vor der Implementierung getestet und die Datenqualität wurde während der gesamten Dauer der Feldarbeit täglich überwacht. Besonderes Augenmerk wurde auf die Anpassung der Fragen, Antwortitems und Maßeinheiten an den lokalen Kontext gelegt. Um die Genauigkeit des Erhebungsinstruments und seine Klarheit für die Befragten sicherzustellen, wurde der Fragebogen sowohl vor Beginn der Datenerhebung mit Forschern der Universität Göttingen und Agrarexperten in Indien als auch in Fokusgruppengesprächen mit lokalen Landwirten ausführlich getestet während der Pilotphase des Projekts. Dies führte zu mehreren Verbesserungen bei der Formulierung der Fragen und zu Anpassungen bei den Antwortelementen für einige Fragen.

Um der Sorge vorzubeugen, dass die GPS-Koordinaten der Parzelle, die im letzten Teil der Umfrage erfasst wurden, möglicherweise für eine andere Parzelle als die in Abschnitt F genannte erfasst werden, wurde das Umfragetool so programmiert, dass die Interviewer dies mit dem Befragten bestätigen mussten , bei der Ankunft auf der Parzelle, ob die Parzelle in der Rabi-Saison 2021/22 mit Weizen bepflanzt wurde und wie der Aussaattermin (Monat und Woche) war. Wenn die Antworten nicht mit den in Abschnitt F aufgezeichneten Informationen übereinstimmten, machten die Interviewer den Befragten darauf aufmerksam und baten ihn, zur richtigen Handlung weitergeleitet zu werden.

Ein weiteres Problem bei den GPS-Koordinaten könnte die Präzision sein. Von den 515 aufgezeichneten Grundstückskoordinaten hatten 70,8 % eine Genauigkeit von mehr als 5 Metern und 97,1 % eine Genauigkeit von mehr als 10 Metern (laut GPS-Gerät), während nur 9 Fälle (1,7 %) eine Genauigkeit von weniger als 15 hatten Meter.

Es gibt keine Datenschutz- oder Sicherheitskontrollen für den öffentlichen Zugriff auf die Daten. Für einige Variablen fehlen Daten, entweder aufgrund des Fragebogendesigns oder aufgrund von Problemen bei der Datenerfassung. Insbesondere wurden verschiedene Fragen nur unter der Bedingung gestellt, dass die Teilnehmer andere „Trigger“-Fragen beantworteten (siehe Anweisungen im Fragebogendokument). In allen anderen Fällen sind fehlende Werte entweder darauf zurückzuführen, dass der Befragte nicht bereit oder nicht in der Lage ist, eine bestimmte Frage zu beantworten, oder möglicherweise auf Dateneingabefehler seitens der Enumeratoren (die Daten lassen im Allgemeinen keine Unterscheidung zwischen diesen Gründen zu). Nach Abschluss der Datenerhebung wurden keine Versuche unternommen, fehlende Werte zu imputieren.

Beim Generieren des Datensatzes wurde kein benutzerdefinierter Code verwendet.

Daloz, AS et al. Direkte und indirekte Auswirkungen des Klimawandels auf den Weizenertrag in der Indo-Ganges-Ebene in Indien. J. Agrar. Res. 4, 100132 (2021).

Google Scholar

Pathak, H. et al. Trends des klimatischen Potenzials und der landwirtschaftlichen Erträge von Reis und Weizen in den Indo-Gangetic-Ebenen. Feldfrüchte Res. 80, 223–234 (2003).

Artikel Google Scholar

Mukherjee, A., Wang, SYS & Promchote, P. Untersuchung der Klimafaktoren, die in den 2000er Jahren den Weizenertrag im Nordwesten Indiens verringerten. Wasser 11, 343 (2019).

Artikel CAS Google Scholar

Dubey, R. Einfluss von terminalem Hitzestress auf den Weizenertrag in Indien und Optionen zur Anpassung. Landwirtschaft. Syst. 181, 102826 (2020).

Artikel Google Scholar

Newport, D. et al. Faktoren, die die rechtzeitige Aussaat von Weizen als Anpassung an den Klimawandel in Ostindien einschränken. Wetter Clim. Soc. 12, 515–528 (2020).

Artikel Google Scholar

Lobell, DB, Ortiz-Monasterio, JI, Sibley, AM & Sohu, VS Satellitenerkennung früherer Weizenaussaat in Indien und Auswirkungen auf Ertragstrends. Landwirtschaft. Syst. 115, 137–143 (2013).

Artikel Google Scholar

Joshi, AK, Chand, R., Arun, B., Singh, RP & Ortiz, R. Züchtung von Nutzpflanzen für die Bewirtschaftung mit reduzierter Bodenbearbeitung in den intensiven Reis-Weizen-Systemen Südasiens. Euphytica 153, 135–151 (2007).

Artikel Google Scholar

Ishtiaque, A., Singh, S., Lobell, D., Fishman, R. & Jain, M. Das Management vor der Erntesaison schränkt die Anpassung der Landwirte an die wärmenden Temperaturen ein: Beweise aus den Indo-Gangetic-Ebenen. Wissenschaft. Gesamtumgebung. 807, 151671 (2022).

Artikel ADS CAS PubMed Google Scholar

Dercon, S. & Christiaensen, L. Konsumrisiko, Technologieeinführung und Armutsfallen: Beweise aus Äthiopien. J. Dev. Wirtschaft. 96(2), 159–73 (2011).

Artikel Google Scholar

Karlan, D., Osei, R., Osei-Akoto, I. & Udry, C. Agrarentscheidungen nach Lockerung der Kredit- und Risikobeschränkungen. QJ Econ. 129(2), 597–652 (2014).

Artikel Google Scholar

Bhattarai, N. et al. Die Auswirkungen der Grundwasserverarmung auf die landwirtschaftliche Produktion in Indien. Umgebung. Res. Lette. 16, 085003 (2021).

Artikel ADS Google Scholar

Davis, KF et al. Alternative Getreidesorten können den Wasserverbrauch und die Nährstoffversorgung in Indien verbessern. Wissenschaft. Adv. 4, eaao1108 (2018).

Artikel ADS PubMed PubMed Central Google Scholar

Chaudhuri, S., Parakh, D., Roy, M. & Kaur, H. Grundwasserbasierte Bewässerung und Agrarstromsubventionen: Segen oder Fluch für Klein-/Grenzlandwirte in Indien? Erdw. Aufrechterhalten. Entwickler 15, 100690 (2021).

Artikel Google Scholar

Chaudhuri, S. & Roy, M. Bewässerungswasserpreise in Indien als Mittel zur Schonung der Wasserressourcen: Herausforderungen und potenzielle zukünftige Chancen. Umgebung. Konserv. 46(1), 99–102 (2019).

Artikel Google Scholar

Foster, AD & Rosenzweig, MR Lernen durch Handeln und Lernen von anderen: Humankapital und technischer Wandel in der Landwirtschaft. J. Pol. Wirtschaft. 103(6), 1176–1209 (1995).

Artikel Google Scholar

Campenhout, BV Die Rolle von Informationen bei der Einführung landwirtschaftlicher Technologie: experimentelle Beweise von Reisbauern in Uganda. Wirtschaft. Entwickler Kult. Ändern. 69(3), 1239–1272 (2021).

Artikel Google Scholar

Naher, D. Technologieeinführung unter kostspieliger Informationsverarbeitung. Int. Wirtschaft. Rev. 63(2), 699–753 (2022).

Artikel MathSciNet MATH Google Scholar

Matuschke, I. & Qaim, M. Der Einfluss sozialer Netzwerke auf die Einführung von Hybridsaatgut in Indien. Landwirtschaft. Wirtschaft. 40(5), 493–505 (2009).

Artikel Google Scholar

Skaalsveen, K., Ingram, J. & Urquhart, J. Die Rolle der sozialen Netzwerke der Landwirte bei der Umsetzung von Direktsaat-Praktiken. Landwirtschaft. Syst. 181, 102824 (2020).

Artikel Google Scholar

Chaudhuri, S., Roy, M., McDonald, LM & Emendack, Y. Überlegungen zu den sozialen Netzwerken der Landwirte: ein Mittel für eine nachhaltige landwirtschaftliche Entwicklung? Umgebung. Entwickler Aufrechterhalten. 23, 2973–3008 (2021).

Artikel Google Scholar

Naher, D. & Schündeln, M. Der Beratungsbedarf: Theorie und empirische Evidenz von Landwirten in Subsahara-Afrika. Weltbank-Wirtschaft. Rev. 36(1), 91–113 (2022).

Artikel Google Scholar

Duflo, E., Kremer, M. & Robinson, J. Landwirte dazu anregen, Düngemittel zu verwenden: Theorie und experimentelle Beweise aus Kenia. Bin. Wirtschaft. Rev. 101(6), 2350–90 (2011).

Artikel Google Scholar

Jain, M. et al. Kartierung der Weizenerträge und Aussaattermine von Kleinbauern mithilfe von Mikrosatellitendaten. Remote Sens. 8, 860 (2016).

Artikel ADS Google Scholar

Jain, M. et al. Verwendung von Satellitendaten zur Identifizierung der Ursachen und möglichen Lösungen für Ertragslücken im indischen Weizengürtel. Umgebung. Res. Lette. 12, 094011 (2017).

Artikel ADS Google Scholar

Vyas, S., Nigam, R., Patel, NK & Panigrahy, S. Extrahieren regionaler Muster von Weizenaussaatdaten mithilfe multispektraler und hochzeitlicher Beobachtungen von indischen geostationären Satelliten. J. Indian Soc. Remote Sens. 41, 855–864 (2013).

Artikel Google Scholar

McDonald, AJ et al. Zeitmanagement bestimmt die Klimaresistenz und Produktivität in den gekoppelten Reis-Weizen-Anbausystemen Ostindiens. Nat. Essen. 3, 542–551 (2022).

Artikel PubMed Google Scholar

Community-Grenzdaten GeoBoundaries https://data.humdata.org/dataset/geoboundaries-admin-boundaries-for-india (2022).

Naeher, D., Albanna, B., Kumar, A. & Vollmer, S. Umfragedaten auf Haushalts- und Parzellenebene zu Einführung, Ergebnissen und Wahrnehmung von früh gesätem Weizen und Null-Bodenbearbeitung im Nordwesten Indiens. GRO.data https://doi.org/10.25625/CITOJD (2023).

LSMS-ISA-Datenweltbank https://www.worldbank.org/en/programs/lsms/initiatives/lsms-ISA (2022).

Referenzen herunterladen

Die Autoren danken dem Team lokaler Zähler sowie Amelie Groß, Mariia Paramei, Akshay Sangwan, Shubham Singh, Christiaan de Swardt und Susanne Vögele für hervorragende Forschungsunterstützung.

Open-Access-Förderung ermöglicht und organisiert durch Projekt DEAL.

Universität Göttingen, Fachbereich Wirtschaftswissenschaften, Center for Modern Indian Studies, Waldweg 26, 37073, Göttingen, Deutschland

Dominik Naher & Sebastian Vollmer

Ain Shams University, Fakultät für Informatik, Abteilung für Informationssysteme, Kairo, Ägypten

Basma Albanna

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

DN: Konzeptualisierung, Methodik, Datenerfassung, Datenverarbeitung, Manuskripterstellung. BA: Konzeptualisierung, Methodik, Manuskriptbearbeitung. AK: Konzeptualisierung, Datenerfassung. SV: Konzeptualisierung, Methodik, Manuskriptbearbeitung.

Korrespondenz mit Dominik Naher.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Naher, D., Albanna, B., Kumar, A. et al. Umfragedaten auf Haushalts- und Parzellenebene zu Einführung, Ergebnissen und Wahrnehmung von früh gesätem Weizen und Null-Bodenbearbeitung im Nordwesten Indiens. Sci Data 10, 516 (2023). https://doi.org/10.1038/s41597-023-02401-x

Zitat herunterladen

Eingegangen: 22. April 2023

Angenommen: 20. Juli 2023

Veröffentlicht: 04. August 2023

DOI: https://doi.org/10.1038/s41597-023-02401-x

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt