Analyze Women's Exposure to Climate Hazards

import {
  bivariateMapWithLegend,
  bivariatePalettes,
  makeChoropleth,
  mergeDataToBoundaries,
} from "/helpers/atlasMap.ojs";

import { downloadCsvButton, downloadPngButton } from "/helpers/uiComponents.ojs";

import { chartStyle, inputTemplate } from "/helpers/std.ojs";

OverviewVue d’Ensemble

Climate change affects agri-food systems, i.e. through droughts, floods, heat stress, shortened growing seasons, crop losses, reduced pasture availability, and livestock productivity declines, but these impacts are not experienced equally. Women often play central roles as farmers, yet their ability to respond to climate stress is constrained by unequal access to land, credit, inputs, extension services, climate information, technologies, mobility, and decision-making power. As a result, climate hazards can deepen existing gender inequalities by increasing women’s workloads, reducing livelihood security, and limiting adaptive capacity. Understanding the gender-agriculture-climate nexus therefore requires looking beyond climate exposure alone and examining where climate hazards overlap with women’s specific roles in crop and livestock systems and with the structural barriers that shape vulnerability.

At the same time, women can be powerful agents of change in enhancing climate resilience. Past studies consistently demonstrate that achieving gender equality at household and community levels is directly associated with improved outcomes in agriculture, adaptation and development. This is why gender-responsive climate action in agriculture must not only target high-risk areas, but also address the social, institutional, and economic constraints that prevent women from benefiting equally from adaptation and resilience investments.

To design smart, inclusive adaptation strategies, we need to understand not just where hazards occur, but who they affect most, where, and why. Vulnerability captures why women fare worse than men when hazards hit, rooted in structural inequality rather than hazard proximity patterns alone.

Le changement climatique affecte les systèmes agroalimentaires — sécheresses, inondations, stress thermique, raccourcissement des saisons de culture, pertes de récoltes, diminution de la disponibilité des pâturages et baisse de la productivité du bétail — mais ces impacts ne sont pas vécus de manière égale. Les femmes jouent souvent un rôle central en tant qu’agricultrices, mais leur capacité à répondre au stress climatique est limitée par un accès inégal à la terre, au crédit, aux intrants, aux services de vulgarisation, à l’information climatique, aux technologies, à la mobilité et au pouvoir de décision. Par conséquent, les aléas climatiques peuvent aggraver les inégalités de genre existantes en augmentant la charge de travail des femmes, en réduisant la sécurité des moyens de subsistance et en limitant la capacité d’adaptation. Comprendre le nexus genre-agriculture-climat exige donc d’aller au-delà de la seule exposition climatique et d’examiner où les aléas climatiques recoupent les rôles spécifiques des femmes dans les systèmes de culture et d’élevage ainsi que les barrières structurelles qui façonnent la vulnérabilité.

Parallèlement, les femmes peuvent être de puissantes agentes de changement en renforçant la résilience climatique. Des études montrent de manière constante que la réalisation de l’égalité des genres au niveau des ménages et des communautés est directement associée à de meilleurs résultats en matière d’agriculture, d’adaptation et de développement. C’est pourquoi une action climatique sensible au genre dans l’agriculture doit non seulement cibler les zones à haut risque, mais aussi s’attaquer aux contraintes sociales, institutionnelles et économiques qui empêchent les femmes de bénéficier équitablement des investissements dans l’adaptation et la résilience.

Pour concevoir des stratégies d’adaptation intelligentes et inclusives, nous devons comprendre non seulement où les aléas se produisent, mais aussi qui ils affectent le plus, où et pourquoi. La vulnérabilité explique pourquoi les femmes s’en sortent moins bien que les hommes face aux aléas, en raison d’inégalités structurelles plutôt que de la seule proximité des aléas.

How can I use this Notebook?Comment utiliser ce notebook?

See the Vulnerability Notebook to identify climate change vulnerability, exposure, urgency and adaptive capacities at a continental level, as well as how climate hazards are affecting livelihoods. This notebook helps you explore each of these dimensions from a gender lens. Use these insights to guide smarter, gender-responsive investments, policies, and support systems for the people and places that need them most.

Consultez le notebook sur la vulnérabilité pour identifier la vulnérabilité au changement climatique, l’exposition, l’urgence et les capacités d’adaptation à l’échelle continentale, ainsi que la manière dont les aléas climatiques affectent les moyens de subsistance. Ce notebook vous aide à explorer chacune de ces dimensions sous l’angle du genre. Utilisez ces informations pour orienter des investissements, des politiques et des systèmes de soutien plus intelligents et sensibles au genre, vers les personnes et les lieux qui en ont le plus besoin.

African Agriculture Is GenderedL’agriculture africaine est genrée.

In Africa, women’s participation in agriculture is both extensive and varied, encompassing a wide range of roles from cultivation to market. The experiences, opportunities, and challenges in farming and livestock systems are distinctly different, women are engaged in planting, weeding, harvesting, and processing agricultural products, often taking on the majority of post-harvest activities, including storage, handling, and marketing of crops. The section below highlights how women labor participation varies across different commodities and activity domains. Across the 39 African countries with recent data, roughly 148 million women work in agrifood systems, and in 32 of those countries agrifood work makes up a larger share of women’s employment than it does for men.

En Afrique, la participation des femmes dans l’agriculture est à la fois vaste et variée, couvrant un large éventail de rôles allant de la culture au marché. Les expériences, opportunités et défis dans les systèmes agricoles et d’élevage sont distinctement différents. Les femmes sont impliquées dans la plantation, le désherbage, la récolte et la transformation des produits agricoles, assumant souvent la majorité des activités post-récolte, y compris le stockage, la manutention et la commercialisation des cultures. La section ci-dessous met en évidence comment la participation des femmes au travail varie selon les différentes commodités et domaines d’activité. Dans les 39 pays africains disposant de données récentes, environ 148 millions de femmes travaillent dans les systèmes agroalimentaires, et dans 32 de ces pays le travail agroalimentaire représente une part plus importante de l’emploi des femmes que de celui des hommes.

viewof afsSex = Inputs.radio(["F", "M", "diff"], {
  value: "F",
  label: nbText.GenderedAfriAG.afsEmployment.selectors.sex.title,
  format: (k) => nbText.GenderedAfriAG.afsEmployment.selectors.sex.options[k],
})

afsEmploymentChart = {
  const t = nbText.GenderedAfriAG.afsEmployment;
  const isDiff = afsSex === "diff";
  // The field name is what the tip prints, and a plain name keeps the sort option
  // working, so localize the key rather than wrap the channel.
  const country = nbText.General.axes.country;
  let long;
  if (isDiff) {
    // Women minus men, per segment; the stacked (diverging) bars sum to the
    // total AFS-share gap.
    const bySex = d3.group(afsEmployment, (d) => d.iso3n, (d) => d.sex);
    long = [...bySex.values()].flatMap((sexes) => {
      const f = sexes.get("F")?.[0];
      const m = sexes.get("M")?.[0];
      if (!f || !m) return [];
      return [
        { [country]: countryNameN(f.iso3n, f.area), segment: t.segments.onFarm, pct: +(f.pctAgr - m.pctAgr).toFixed(1) },
        { [country]: countryNameN(f.iso3n, f.area), segment: t.segments.offFarm, pct: +(f.pctOffFarm - m.pctOffFarm).toFixed(1) },
      ];
    });
  } else {
    const rows = afsEmployment.filter((d) => d.sex === afsSex);
    long = rows.flatMap((d) => [
      { [country]: countryNameN(d.iso3n, d.area), segment: t.segments.onFarm, pct: d.pctAgr, empl: d.emplAgrK },
      { [country]: countryNameN(d.iso3n, d.area), segment: t.segments.offFarm, pct: d.pctOffFarm, empl: d.emplOffFarmK },
    ]);
  }
  return Plot.plot({
    style: chartStyle,
    width: Math.min(width, 980),
    height: 60 + (long.length / 2) * 26,
    marginLeft: 185,
    marginTop: isDiff ? 24 : 20,
    // chartStyle runs at 13px, but Plot sizes its default margins for a ~10px
    // font, so the default 30px bottom margin puts the axis label on the ticks.
    marginBottom: 44,
    x: { label: isDiff ? t.axisDiff : t.axis, grid: true },
    y: { label: null },
    color: {
      legend: true,
      // Names the legend and the tip row, which read "segment" otherwise.
      label: t.segmentLabel,
      domain: [t.segments.onFarm, t.segments.offFarm],
      range: ["#216729", "#64acbe"],
    },
    marks: [
      Plot.axisY({ lineWidth: 13 }),
      Plot.barX(long, {
        x: "pct",
        y: country,
        fill: "segment",
        stroke: "white",
        strokeWidth: 0.75,
        sort: { y: "-x", reduce: "sum" },
        channels: isDiff ? {} : { [t.tooltip.employed]: "empl" },
        tip: true,
      }),
      Plot.ruleX([0]),
      ...(isDiff
        ? [
            Plot.text([t.diffHints.men], {
              frameAnchor: "top-left",
              dy: -18,
              fontWeight: "bold",
              fill: "currentColor",
            }),
            Plot.text([t.diffHints.women], {
              frameAnchor: "top-right",
              dy: -18,
              fontWeight: "bold",
              fill: "currentColor",
            }),
          ]
        : []),
    ],
    caption: t.caption,
  });
}

inputTemplate({ gap: "0.5rem" })([
  downloadPngButton(afsEmploymentChart, {
    filename: "gender_afs_employment.png",
    label: nbText.General.downloadFigure,
  }),
  downloadCsvButton(afsEmployment, {
    filename: "afs_employment_by-sex_faostat.csv",
    label: nbText.General.download,
  }),
])

Women Dominate Certain CropsLes femmes dominent certaines cultures

Men predominantly engage in growing cash crops, whereas women focus more on staple and food crops. This division varies across regions, with the female contribution to non-edible crop labor differing notably between countries like Malawi, Uganda, Tanzania, and Nigeria, illustrating these trends are not universally consistent across different geographies. In every country where the surveys cover root and tuber crops, women provide at least half of the labour.

Les hommes se consacrent principalement à la culture des cultures de rente, tandis que les femmes se concentrent davantage sur les cultures vivrières et alimentaires. Cette division varie selon les régions, avec une contribution féminine au travail des cultures non comestibles différant notablement entre des pays comme le Malawi, l’Ouganda, la Tanzanie et le Nigeria, illustrant que ces tendances ne sont pas uniformément constantes à travers différentes géographies. Dans chaque pays où les enquêtes couvrent les racines et tubercules, les femmes fournissent au moins la moitié du travail.

heatmapMeanMarks = (rows, { x, y, v, avg, xLabel, yLabel, textThreshold = 50 }) => {
  const cells = rows.map((d) => ({ x: x(d), y: y(d), v: v(d) }));
  const mean = (subset) =>
    subset.length ? Math.round(d3.mean(subset, (c) => c.v) * 10) / 10 : null;
  const columns = [...new Set(cells.map((c) => c.x))];
  const countries = [...new Set(cells.map((c) => c.y))];
  const means = [
    ...columns.map((xv) => ({ x: xv, y: avg, v: mean(cells.filter((c) => c.x === xv)) })),
    ...countries.map((yv) => ({ x: avg, y: yv, v: mean(cells.filter((c) => c.y === yv)) })),
    { x: avg, y: avg, v: mean(cells) },
  ].filter((c) => c.v != null);
  return [
    // The {value, label} channel form names the tip rows; the scales keep
    // label: null, so the axes stay bare. Fill takes its name from the legend.
    Plot.cell([...cells, ...means], {
      x: { value: "x", label: xLabel },
      y: { value: "y", label: yLabel },
      fill: "v",
      inset: 1,
      tip: true,
    }),
    Plot.text(means, {
      x: "x",
      y: "y",
      text: (c) => c.v,
      fontWeight: "bold",
      fill: (c) => (c.v >= textThreshold ? "white" : "#222"),
    }),
  ];
}

womenCropsChart = {
  const t = nbText.GenderedAfriAG.FemaleParticipationCrops;
  const avg = t.average;
  const country = (d) => nbText.General.adminNames[d.country] ?? d.country;
  const rows = cropGenderData.filter((d) => d.pctFemale != null);
  const order = d3.groupSort(rows, (g) => -d3.mean(g, (d) => d.pctFemale), country);
  return Plot.plot({
    style: chartStyle,
    width: Math.min(width, 760),
    height: 70 + (order.length + 1) * 44,
    marginLeft: 95,
    marginBottom: 55,
    x: { label: null, domain: [...Object.values(t.plot.crops), avg] },
    y: { label: null, domain: [...order, avg] },
    color: { type: "linear", range: ["#F7D732", "#216729"], legend: true, label: t.legend },
    marks: [
      Plot.axisX({ lineWidth: 7 }),
      ...heatmapMeanMarks(rows, {
        x: (d) => t.plot.crops[d.cropGroup] ?? d.cropGroup,
        y: country,
        v: (d) => d.pctFemale,
        avg,
        textThreshold: 45,
        xLabel: nbText.General.axes.crop,
        yLabel: nbText.General.axes.country,
      }),
    ],
    caption: t.caption,
  });
}

inputTemplate({ gap: "0.5rem" })([
  downloadPngButton(womenCropsChart, {
    filename: "gender_women_crops.png",
    label: nbText.General.downloadFigure,
  }),
  downloadCsvButton(cropGenderData, {
    filename: "female_participation_crops_palacios-lopez2017.csv",
    label: nbText.General.download,
  }),
])

Women and LivestockLes femmes et l’élevage

Women are frequently responsible for small ruminants, poultry, dairy production, feeding, watering, cleaning, milk processing, and the daily care of sick animals, while men more commonly manage larger livestock, marketing, or herd mobility, although these roles vary considerably across contexts. Consequently, where women contribute a substantial share of labour to heat-vulnerable livestock systems, climate-induced declines in animal productivity can directly affect household nutrition, income, food security, and women’s workloads, while simultaneously increasing the time and effort required to secure feed and water.

The figure below shows women’s share of the income from selling each type of livestock in households surveyed across Africa. Women capture much more of the income from poultry and small stock than from cattle, so the care they provide translates into income they direct only for some animals.

Les femmes sont souvent responsables des petits ruminants, de la volaille, de la production laitière, de l’alimentation, de l’abreuvement, du nettoyage, de la transformation du lait et des soins quotidiens aux animaux malades, tandis que les hommes gèrent plus couramment le gros bétail, la commercialisation ou la mobilité des troupeaux, bien que ces rôles varient considérablement selon les contextes. Par conséquent, là où les femmes fournissent une part importante du travail dans des systèmes d’élevage vulnérables à la chaleur, les baisses de productivité animale induites par le climat peuvent affecter directement la nutrition des ménages, les revenus, la sécurité alimentaire et la charge de travail des femmes, tout en augmentant le temps et les efforts nécessaires pour obtenir de l’alimentation animale et de l’eau.

La figure ci-dessous montre la part des femmes dans le revenu tiré de la vente de chaque type de bétail, dans les ménages enquêtés en Afrique. Les femmes captent une part bien plus importante du revenu de la volaille et du petit bétail que de celui des bovins; les soins qu’elles apportent ne se traduisent donc en revenus qu’elles orientent que pour certains animaux.

womenLivestockChart = {
  const t = nbText.GenderedAfriAG.livestockControl;
  const avg = t.average;
  const country = (d) => countryNameN(iso3ToN.get(d.iso3), d.iso3);
  const order = d3.groupSort(livestockControl, (g) => -d3.mean(g, (d) => d.pctFemale), country);
  return Plot.plot({
    style: chartStyle,
    width: Math.min(width, 820),
    height: 70 + (order.length + 1) * 32,
    marginLeft: 175,
    x: { label: null, domain: [...Object.values(t.species), avg] },
    y: { label: null, domain: [...order, avg] },
    color: {
      type: "linear",
      domain: [0, 100],
      range: ["#F7D732", "#216729"],
      legend: true,
      label: t.legend,
    },
    marks: [
      Plot.axisY({ lineWidth: 12 }),
      ...heatmapMeanMarks(livestockControl, {
        x: (d) => t.species[d.species] ?? d.species,
        y: country,
        v: (d) => d.pctFemale,
        avg,
        xLabel: nbText.General.axes.livestock,
        yLabel: nbText.General.axes.country,
      }),
    ],
    caption: t.caption,
  });
}

inputTemplate({ gap: "0.5rem" })([
  downloadPngButton(womenLivestockChart, {
    filename: "gender_women_livestock.png",
    label: nbText.General.downloadFigure,
  }),
  downloadCsvButton(livestockControl, {
    filename: "womens_livestock_sale_income_rhomis.csv",
    label: nbText.General.download,
  }),
])

Heat Stress and Women in AgricultureStress thermique et femmes dans l’agriculture

Climate change can act as a risk amplifier and further exacerbate the gendered differences and outcomes for women in agriculture. The map below shows the intersection of projected risk from heat stress and exposure based on women participation in agriculture, showing critical hotspots. The stakes are rising: historically the median region in Africa saw about 28 days a year above the 28°C threshold, and by the 2050s under high emissions that climbs past 100 days.

Le changement climatique peut agir comme un amplificateur de risques et exacerber davantage les différences et les résultats liés au genre pour les femmes dans l’agriculture. La carte ci-dessous montre l’intersection des risques projetés de stress thermique et de l’exposition en fonction de la participation des femmes à l’agriculture, mettant en évidence les zones critiques. Les enjeux augmentent : historiquement, la région médiane en Afrique comptait environ 28 jours par an au-dessus du seuil de 28°C, et d’ici les années 2050, dans un scénario d’émissions élevées, ce chiffre dépasse 100 jours.

Human Heat StressStress thermique humain

In agriculture, heat risk is not only expressed through reduced crop yields or changing crop suitability, but also through the declining ability of people to work safely and productively outdoors. High temperatures, especially when combined with humidity and physically demanding tasks, increase risks of dehydration, fatigue, dizziness, heat exhaustion, heat stroke, injury, and reduced labour capacity. This is important from a gender perspective because women may continue agricultural work alongside unpaid care and domestic responsibilities, meaning that heat exposure can accumulate across productive and reproductive labour.

Dans l’agriculture, le risque lié à la chaleur ne se traduit pas seulement par des baisses de rendement des cultures ou des changements dans leur adéquation, mais aussi par une capacité décroissante des personnes à travailler à l’extérieur de manière sûre et productive. Les températures élevées, surtout lorsqu’elles se combinent à l’humidité et à des tâches physiquement exigeantes, augmentent les risques de déshydratation, de fatigue, de vertiges, d’épuisement par la chaleur, de coup de chaleur, de blessures et de capacité de travail réduite. Cela est important du point de vue du genre, car les femmes peuvent poursuivre le travail agricole tout en assumant des responsabilités domestiques et de soins non rémunérées, ce qui signifie que l’exposition à la chaleur peut s’accumuler entre le travail productif et le travail reproductif.

Crop Heat StressStress thermique des cultures

Agronomically, heat stress occurs when temperatures exceed crop-specific thresholds during sensitive growth stages such as flowering, pollination, grain filling, tuber formation, or fruit development, leading to reduced photosynthesis, shortened crop cycles, sterility, lower yields, poorer crop quality, and greater water demand. From a gender perspective, the importance of crop heat stress depends not only on where high growing-season temperatures occur, but also on which crops are grown there and who provides the labour for those crops.

Sur le plan agronomique, le stress thermique survient lorsque les températures dépassent des seuils propres à chaque culture pendant des stades de croissance sensibles tels que la floraison, la pollinisation, le remplissage des grains, la formation des tubercules ou le développement des fruits, ce qui entraîne une réduction de la photosynthèse, un raccourcissement des cycles culturaux, de la stérilité, des rendements plus faibles, une moindre qualité des récoltes et une demande en eau accrue. Du point de vue du genre, l’importance du stress thermique des cultures dépend non seulement des endroits où se produisent des températures élevées pendant la saison de culture, mais aussi des cultures qui y sont pratiquées et de qui fournit la main-d’oeuvre pour ces cultures.

Livestock Heat StressStress thermique du bétail

Livestock heat stress occurs when environmental conditions exceed the animal’s capacity to dissipate heat, resulting in elevated body temperatures, reduced feed intake, lower growth rates, decreased milk, meat, and egg production, impaired fertility, increased susceptibility to disease, and, in severe cases, mortality. Rising temperatures, prolonged heatwaves, and reduced water availability are expected to increase the frequency and severity of heat stress across many livestock systems, with impacts varying by species, breed, production system, and local climatic conditions. From a gender perspective, these biophysical impacts translate into differentiated livelihood risks because women and men often manage different livestock species and perform distinct husbandry tasks.

Le stress thermique du bétail survient lorsque les conditions environnementales dépassent la capacité de l’animal à dissiper la chaleur, ce qui entraîne une élévation de la température corporelle, une baisse de l’ingestion alimentaire, un ralentissement de la croissance, une diminution de la production de lait, de viande et d’oeufs, une fertilité altérée, une sensibilité accrue aux maladies et, dans les cas graves, la mortalité. La hausse des températures, les vagues de chaleur prolongées et la moindre disponibilité en eau devraient accroître la fréquence et la gravité du stress thermique dans de nombreux systèmes d’élevage, avec des effets variables selon l’espèce, la race, le système de production et les conditions climatiques locales. Du point de vue du genre, ces impacts biophysiques se traduisent par des risques différenciés pour les moyens de subsistance, car les femmes et les hommes gèrent souvent des espèces animales différentes et accomplissent des tâches d’élevage distinctes.

heatHazardText = nbText.GenderHotspots.wbgtMap.selectors.hazard

// One cell per control, composed into a row below. Separate cells rather than one
// Inputs.form so a change to any of them re-emits only its own value.
viewof heatHazard = Inputs.radio(Object.keys(heatHazardText.options), {
  value: "human",
  label: heatHazardText.title,
  format: (k) => heatHazardText.options[k],
})

viewof heatTimeframe = Inputs.select(["historic", "2030", "2050"], {
  label: nbText.GenderHotspots.wbgtMap.selectors.timeframe.title,
  format: (k) => nbText.GenderHotspots.wbgtMap.selectors.timeframe.options[k],
  width: 190,
})

viewof heatScenario = Inputs.select(["ssp245", "ssp585"], {
  label: nbText.GenderHotspots.wbgtMap.selectors.scenario.title,
  format: (k) => nbText.GenderHotspots.wbgtMap.selectors.scenario.options[k],
  width: 190,
})

inputTemplate({ gap: "1.5em" })([viewof heatHazard, viewof heatTimeframe, viewof heatScenario])

scenarioAvailable = {
  const disabled = heatTimeframe === "historic";
  viewof heatScenario.querySelector("select").disabled = disabled;
  viewof heatScenario.style.opacity = disabled ? 0.45 : 1;
  return !disabled;
}

heatThresholds = ({ human: [28, 30], crop: [35, 40] }[heatHazard])

viewof heatThresholdControl = Inputs.form(
  {
    ...(heatThresholds && {
      threshold: Inputs.radio(heatThresholds, {
        value: heatThresholds[0],
        label: nbText.GenderHotspots.wbgtMap.selectors.threshold.title,
        format: (v) => `${v}°C${heatHazard === "human" ? " WBGT" : ""}`,
      }),
    }),
  },
  { template: inputTemplate({ gap: "1.5em" }) }
)

heatThreshold = heatThresholdControl.threshold

biVarMap = {
  const heatTooltip = tmpl(nbText.GenderHotspots.wbgtMap.tooltip[heatHazard], {
    threshold: heatThreshold,
  });
  const map = makeChoropleth({
    features: biVarFeatures.features,
    width: Math.min(width, 760),
    height: 520,
    fill: (d) => biVarColor(d.properties.data),
    channels: {
      country: {
        label: nbText.General.axes.country,
        value: (d) => countryNameN(d.properties.iso3n),
      },
      region: {
        label: nbText.General.axes.region,
        value: (d) => d.properties.admin1_name,
      },
      heat: { label: heatTooltip, value: (d) => d.properties.data?.value },
      women: {
        label: nbText.GenderHotspots.wbgtMap.tooltip.women,
        value: (d) => d.properties.data?.pct_women_agri,
      },
    },
    tooltip: { country: true, region: true, heat: true, women: true },
    caption: nbText.GenderHotspots.wbgtMap.caption,
    // A unit with no data keeps its outline, so it reads as empty rather than as
    // a missing hole in the map.
    baseMarkOptions: { stroke: (d) => (d.properties.data ? "#fff" : "#bbb") },
    extraMarks: [Plot.geo(africaA0, { stroke: "#333", strokeWidth: 0.8, fill: null })],
  });
  return bivariateMapWithLegend(map, {
    colors: biVarColors,
    xLabel: nbText.GenderHotspots.wbgtMap.legend.women,
    yLabel: nbText.GenderHotspots.wbgtMap.legend[heatHazard],
    width: 235,
    height: 225,
    fontSize: 13,
  });
}

inputTemplate({ gap: "0.5rem" })([
  downloadPngButton(biVarMap, {
    filename: "gender_wbgt_women_bivariate.png",
    label: nbText.General.downloadFigure,
  }),
  downloadCsvButton(biVarRows, {
    filename: `${heatHazard}-heat${heatThreshold ?? ""}_women-agri_${heatTimeframe}${
      heatTimeframe === "historic" ? "" : "_" + heatScenario
    }.csv`,
    label: nbText.General.download,
  }),
])

Climate-Agriculture-Gender Hotspot IndexIndice des points chauds climat-agriculture-genre

Building on the Intergovernmental Panel on Climate Change’s risk framework, climate–agriculture–gender inequality hotspots are defined as geographical areas where high levels of climate hazards converge with high levels of women’s (labor) participation in agriculture and climate hazard (exposure) and high levels of women’s vulnerability due to prevailing gender inequalities. The hazards are measured by the share of rural population likely to face specific climate hazard types, using data from the CGIAR Research Program on Climate Change, Agriculture and Food Security. Women’s exposure is measured based on their labor participation and hours worked in agriculture, including the relative importance of the crop or commodity, using Labor Force Survey (LFS) data. Women’s vulnerability due to gender inequalities is proxied by five discriminatory social institutions captured in the Social Institutions and Gender Index (SIGI) 2014. Principal component analysis is used to construct an ordinal hotspot index based on the above data. Among the African countries covered, Somalia, Sudan and The Gambia rank highest.

En s’appuyant sur le cadre d’analyse des risques du Groupe d’experts intergouvernemental sur l’évolution du climat (GIEC), les points chauds des inégalités climat-agriculture-genre sont définis comme des zones géographiques où de forts niveaux d’aléas climatiques convergent avec une forte participation des femmes au travail agricole (exposition) et de forts niveaux de vulnérabilité des femmes en raison des inégalités de genre existantes. Les aléas sont mesurés par la part de la population rurale susceptible de faire face à des types spécifiques d’aléas climatiques, à partir des données du programme de recherche du CGIAR sur le changement climatique, l’agriculture et la sécurité alimentaire (CCAFS). L’exposition des femmes est mesurée à partir de leur participation au travail et des heures travaillées dans l’agriculture, y compris l’importance relative de la culture ou du produit, sur la base des données des enquêtes sur la main-d’œuvre (LFS). La vulnérabilité des femmes liée aux inégalités de genre est approchée par cinq institutions sociales discriminatoires prises en compte dans l’indice Institutions sociales et égalité femmes-hommes (SIGI) 2014. Une analyse en composantes principales est utilisée pour construire un indice ordinal des points chauds à partir de ces données. Parmi les pays africains couverts, la Somalie, le Soudan et la Gambie arrivent en tête.

viewof hotspotIndicator = Inputs.select(Object.keys(hotspotIndicators), {
  label: nbText.GlobalHotspots.selectorTitle,
  format: (k) => hotspotIndicators[k].label,
})

hotspotMap = makeChoropleth({
  features: hotspotFeatures.features,
  width: Math.min(width, 900),
  height: 500,
  fill: (d) => d.properties.data?.[hotspotIndicator],
  color: {
    type: "linear",
    scheme: "YlOrRd",
    unknown: "#e0e0e0",
    label: hotspotIndicators[hotspotIndicator].legend,
  },
  channels: {
    country: {
      label: nbText.General.axes.country,
      value: (d) => countryNameN(d.properties.iso3n),
    },
    rank: {
      label: nbText.GlobalHotspots.rankLabel,
      value: (d) => d.properties.data?.rank,
    },
  },
  tooltip: { country: true, rank: true },
  caption: nbText.GlobalHotspots.caption,
});

inputTemplate({ gap: "0.5rem" })([
  downloadPngButton(hotspotMap, {
    filename: "gender_hotspot_map.png",
    label: nbText.General.downloadFigure,
  }),
  downloadCsvButton(hotspotData, {
    filename: "ifpri_gender_climate_hotspots_africa.csv",
    label: nbText.General.download,
  }),
])

Need For Gender-Inclusive InvestmentsNécessité d’investissements inclusifs en matière de genre

Adaptive capacity is the set of systems and services that help communities prepare for, respond to, and recover from climate shocks. In this section, we look at key indicators that reflect a region’s ability to adapt. These indicators highlight what systems are in place and what gaps need to be addressed to reduce long-term vulnerability.

The adaptive capacity of women in agriculture varies significantly due to factors such as socio-economic status, education, access to resources, and systemic barriers. Female empowerment and wellbeing metrics reveal the disparities women face in areas such as employment, income, health, and leadership. These indicators highlight the multifaceted nature of women’s vulnerability, demonstrating variations in their access to opportunities, resources, and autonomy.

La capacité d’adaptation désigne l’ensemble des systèmes et des services qui aident les communautés à se préparer aux chocs climatiques, à y répondre et à s’en remettre. Dans cette section, nous examinons des indicateurs clés qui reflètent la capacité d’adaptation d’une région. Ces indicateurs mettent en évidence les systèmes en place et les lacunes à combler pour réduire la vulnérabilité à long terme.

La capacité d’adaptation des femmes dans l’agriculture varie considérablement en raison de facteurs tels que le statut socio-économique, l’éducation, l’accès aux ressources et les barrières systémiques. Les indicateurs d’autonomisation et de bien-être des femmes révèlent les disparités auxquelles elles sont confrontées dans des domaines tels que l’emploi, le revenu, la santé et le leadership. Ces indicateurs mettent en évidence la nature multifacette de la vulnérabilité des femmes, démontrant les variations dans leur accès aux opportunités, aux ressources et à l’autonomie.

How Adaptation Options Shape Gender OutcomesComment les options d’adaptation façonnent les résultats de genre

Financial mechanisms such as credit, insurance, climate finance, and savings schemes may strengthen resilience where women don’t have equitable access to financial services, collateral, and decision-making authority.

Knowledge management interventions — including extension services, climate information, digital advisory platforms, and farmer training — are most effective when they are accessible, relevant, and responsive to women’s needs, literacy levels, mobility, and time constraints.

Migration is an immediate response to climate risks, and may increase women’s autonomy and decision-making in some contexts while simultaneously expanding unpaid care responsibilities and labour burdens in others.

Community-based natural resource management and biodiversity conservation can create opportunities for women’s leadership and access to ecosystem services.

Livelihood diversification can enhance income security and adaptive capacity when women have access to productive assets, markets, and skills.

Nevertheless, these actions may also reinforce existing power asymmetries if women are excluded from governance and benefit-sharing, and may simply add additional responsibilities without increasing control over benefits. Whether adaptation pathways produce reinforcing or enabling outcomes therefore depends not only on the intervention itself, but on the extent to which it addresses the structural barriers that shape women’s agency, resource access, and participation in decision-making.

Les mécanismes financiers tels que le crédit, l’assurance, la finance climatique et les systèmes d’épargne peuvent renforcer la résilience là où les femmes n’ont pas un accès équitable aux services financiers, aux garanties et au pouvoir de décision.

Les interventions de gestion des connaissances — y compris les services de vulgarisation, l’information climatique, les plateformes de conseil numérique et la formation des agriculteurs — sont plus efficaces lorsqu’elles sont accessibles, pertinentes et adaptées aux besoins des femmes, à leur niveau d’alphabétisation, à leur mobilité et à leurs contraintes de temps.

La migration est une réponse immédiate aux risques climatiques et peut accroître l’autonomie et le pouvoir de décision des femmes dans certains contextes, tout en augmentant les responsabilités de soins non rémunérées et la charge de travail dans d’autres.

La gestion communautaire des ressources naturelles et la conservation de la biodiversité peuvent créer des opportunités de leadership pour les femmes et d’accès aux services écosystémiques.

La diversification des moyens de subsistance peut renforcer la sécurité des revenus et la capacité d’adaptation lorsque les femmes ont accès aux actifs productifs, aux marchés et aux compétences.

Néanmoins, ces actions peuvent aussi renforcer les asymétries de pouvoir existantes si les femmes sont exclues de la gouvernance et du partage des bénéfices, et peuvent simplement ajouter des responsabilités supplémentaires sans accroître le contrôle sur les bénéfices. Le fait que les voies d’adaptation produisent des résultats renforçants ou facilitants dépend donc non seulement de l’intervention elle-même, mais aussi de la mesure dans laquelle elle s’attaque aux barrières structurelles qui façonnent l’agentivité des femmes, leur accès aux ressources et leur participation à la prise de décision.

Country Deep Dive: One Country, All IndicatorsZoom pays : un pays, tous les indicateurs

Select a country to compare women and men across every adaptive-capacity indicator at once. Each pair of dots is one indicator, and the distance between them is the gender gap. Use it to spot which systems hold women back in a given country, whether education, employment, land, finance, information, or food security.

Sélectionnez un pays pour comparer les femmes et les hommes sur l’ensemble des indicateurs de capacité d’adaptation. Chaque paire de points correspond à un indicateur, et la distance entre les points représente l’écart entre les genres. Utilisez-la pour repérer les systèmes qui freinent les femmes dans un pays donné, qu’il s’agisse de l’éducation, de l’emploi, du foncier, de la finance, de l’information ou de la sécurité alimentaire.

// Offer all FAOSTAT countries, including North Africa, with shared translations.
viewof capCountry = Inputs.select(
  [...capCountryNames.keys()].sort((a, b) =>
    capCountryNames.get(a).localeCompare(capCountryNames.get(b))
  ),
  {
    value: 404, // Kenya — good indicator coverage
    label: nbText.GenderInvestments.adaptiveCapacity.selectors.country.title,
    format: (n) => capCountryNames.get(n),
  }
)

adaptiveCapacityChart = {
  const t = nbText.GenderInvestments.adaptiveCapacity;
  const rows = adaptiveCapacity.filter((d) => d.iso3n === capCountry);
  const label = (d) => t.indicators[d.indicator];
  const order = Object.values(t.indicators);
  const pairs = d3.groups(rows, label).map(([indicator, g]) => ({
    indicator,
    lo: d3.min(g, (d) => d.value),
    hi: d3.max(g, (d) => d.value),
  }));
  const plot = Plot.plot({
    style: chartStyle,
    width: Math.min(width, 760),
    height: 500,
    marginBottom: 70,
    x: { domain: order, label: null },
    y: { domain: [0, 100], grid: true, label: t.axisY },
    color: {
      legend: true,
      label: nbText.General.axes.gender,
      domain: [t.sexes.F, t.sexes.M],
      range: ["#d6604d", "#4393c3"],
    },
    marks: [
      Plot.axisX({ lineWidth: 8 }),
      Plot.ruleX(pairs, { x: "indicator", y1: "lo", y2: "hi", stroke: "#bbb", strokeWidth: 2 }),
      Plot.dot(rows, {
        x: { value: label, label: t.selectors.indicator.title },
        y: "value",
        fill: (d) => t.sexes[d.sex],
        r: 7,
        stroke: "white",
        strokeWidth: 1,
        tip: true,
        channels: { [nbText.General.axes.year]: "year" },
      }),
    ],
    caption: t.caption,
  });
  return plot;
}

downloadPngButton(adaptiveCapacityChart, {
  filename: "gender_adaptive_capacity.png",
  label: nbText.General.downloadFigure,
})

Indicator Deep Dive: One Indicator, All CountriesZoom indicateur : un indicateur, tous les pays

Pick a single indicator to see how it varies across the continent, for women, for men, or as the gap between them. The country selected above is outlined on the map. Use this view to find where a constraint is most severe and where gender-responsive investments could reach the most women.

Choisissez un indicateur pour voir comment il varie à travers le continent, pour les femmes, pour les hommes, ou sous forme d’écart entre les deux. Le pays sélectionné ci-dessus est mis en évidence sur la carte. Utilisez cette vue pour repérer où une contrainte est la plus sévère et où des investissements sensibles au genre pourraient toucher le plus de femmes.

viewof capMapControls = Inputs.form(
  {
    indicator: Inputs.select(Object.keys(nbText.GenderInvestments.adaptiveCapacity.indicators), {
      label: nbText.GenderInvestments.adaptiveCapacity.selectors.indicator.title,
      format: (k) => nbText.GenderInvestments.adaptiveCapacity.indicators[k],
    }),
    view: Inputs.radio(["gap", "F", "M"], {
      value: "gap",
      label: nbText.GenderInvestments.adaptiveCapacity.map.viewTitle,
      format: (k) => nbText.GenderInvestments.adaptiveCapacity.map.views[k],
    }),
  },
  { template: inputTemplate({ gap: "3em" }) }
)

adaptiveCapacityMap = {
  const t = nbText.GenderInvestments.adaptiveCapacity;
  const { indicator, view } = capMapControls;
  const rows = adaptiveCapacity.filter((d) => d.indicator === indicator);
  const byIso = d3.rollup(
    rows,
    (g) => {
      const f = g.find((d) => d.sex === "F");
      const m = g.find((d) => d.sex === "M");
      return {
        F: f?.value ?? null,
        M: m?.value ?? null,
        gap: f && m ? +(f.value - m.value).toFixed(1) : null,
        year: f?.year ?? m?.year,
      };
    },
    (d) => d.iso3n,
  );
  const data = [...byIso].map(([iso3n, v]) => ({ iso3n, ...v }));
  const features = mergeDataToBoundaries({
    boundaries: africaA0,
    data,
    boundaryKey: "iso3n",
    dataKey: "iso3n",
  });
  const isGap = view === "gap";
  const maxGap = d3.max(data, (d) => Math.abs(d.gap ?? 0)) || 10;
  const map = makeChoropleth({
    features: features.features,
    width: Math.min(width, 820),
    height: 480,
    fill: (d) => d.properties.data?.[view] ?? undefined,
    color: isGap
      ? { type: "linear", scheme: "RdBu", domain: [-maxGap, maxGap], unknown: "#e0e0e0", label: t.map.legendGap }
      : { type: "linear", scheme: "YlGnBu", domain: [0, 100], unknown: "#e0e0e0", label: `${t.indicators[indicator]} (%)` },
    channels: {
      country: { label: nbText.General.axes.country, value: (d) => countryNameN(d.properties.iso3n) },
      women: { label: t.sexes.F, value: (d) => d.properties.data?.F },
      men: { label: t.sexes.M, value: (d) => d.properties.data?.M },
    },
    tooltip: { country: true, women: true, men: true },
    caption: t.map.caption,
    adminHighlight: {
      filter: (d) => d.properties.iso3n === capCountry,
      stroke: "#111",
      strokeWidth: 2,
    },
  });
  return map;
}

inputTemplate({ gap: "0.5rem" })([
  downloadPngButton(adaptiveCapacityMap, {
    filename: "gender_adaptive_capacity_map.png",
    label: nbText.General.downloadFigure,
  }),
  downloadCsvButton(adaptiveCapacity, {
    filename: "adaptive_capacity_by-sex_faostat.csv",
    label: nbText.General.download,
  }),
])

Bridging The Gender Gap: From Hotspots To SolutionsCombler l’écart entre les genres: des zones critiques aux solutions

Climate-focused adaptation strategies, by including gender-responsive approaches, can significantly enhance women’s empowerment and hasten the progress toward achieving broader developmental goals. These interventions can not only foster gender equality but also catalyze sustainable development across multiple dimensions, ensuring that climate actions are both inclusive and equitable. The figure below provides evidence on how adaptation solutions inform gender outcomes.

Les stratégies d’adaptation axées sur le climat, en incluant des approches sensibles au genre, peuvent considérablement renforcer l’autonomisation des femmes et accélérer le progrès vers la réalisation d’objectifs de développement plus larges. Ces interventions peuvent non seulement favoriser l’égalité des genres, mais aussi catalyser un développement durable dans plusieurs dimensions, garantissant que les actions climatiques soient à la fois inclusives et équitables. La figure ci-dessous fournit des preuves sur la manière dont les solutions d’adaptation influencent les résultats en matière de genre.

bridgeGapMatrix = {
  const t = nbText.BridgeGap;
  const rows = genderSolutions.flatMap((d) => d.Risk.split(", ").map((risk) => ({ ...d, risk })));
  const riskLabel = (d) => t.table.tooltip[d.risk.toLowerCase()] ?? d.risk;
  const catLabel = (d) => t.selector.options[d["Adaptation Options"]] ?? d["Adaptation Options"];
  const outcomeLabel = (o) => t.table.values[o.toLowerCase()] ?? o;
  const cells = d3.flatGroup(rows, catLabel, riskLabel).map(([cat, risk, g]) => {
    const counts = d3.rollup(
      g,
      (v) => v.length,
      (d) => d["Gender Outcome Score"]
    );
    const top = [...counts.entries()].sort((a, b) => b[1] - a[1])[0][0];
    return {
      cat,
      risk,
      n: g.length,
      outcome: outcomeLabel(top),
      outcomes: [...counts.entries()].map(([o, n]) => `${outcomeLabel(o)}: ${n}`).join(", "),
      geographies: [...new Set(g.map((d) => d.Geography))].join(", "),
    };
  });
  const outcomeKeys = ["enabling", "reinforcing", "constraining", "counteracting"];

  const outcomeColors = {
    enabling: "#1b587f",
    reinforcing: "#86bcd8",
    constraining: "#eba43a",
    counteracting: "#a1500f",
  };
  const lightFills = [t.table.values.reinforcing, t.table.values.constraining];
  const riskOrder = d3.groupSort(
    cells,
    (g) => -d3.sum(g, (d) => d.n),
    (d) => d.risk
  );
  return Plot.plot({
    style: chartStyle,
    width: Math.min(width, 820),
    height: 80 + riskOrder.length * 42,
    marginLeft: 150,
    marginBottom: 55,
    x: { label: null, domain: Object.values(t.selector.options) },
    y: { label: null, domain: riskOrder },
    color: {
      legend: true,
      label: t.matrix.legend,
      domain: outcomeKeys.map((k) => t.table.values[k]),
      range: outcomeKeys.map((k) => outcomeColors[k]),
    },
    marks: [
      Plot.axisX({ lineWidth: 8 }),
      Plot.cell(cells, {
        x: { value: "cat", label: t.selector.title },
        y: { value: "risk", label: t.table.headings.Risk },
        fill: "outcome",
        inset: 1,
        // Plot truncates a tip row past lineWidth (20 ems by default) and, in this
        // version, puts the truncated text in the title too, so the full geography
        // list is unreachable. Widen it rather than lose the words.
        tip: { lineWidth: 60 },
        channels: {
          [t.table.headings["Gender Outcome Score"]]: "outcomes",
          [t.table.headings.Geography]: "geographies",
        },
      }),
      Plot.text(cells, {
        x: "cat",
        y: "risk",
        text: "n",
        fill: (d) => (lightFills.includes(d.outcome) ? "#222" : "white"),
      }),
    ],
    caption: t.matrix.caption,
  });
}

inputTemplate({ gap: "0.5rem" })([
  downloadPngButton(bridgeGapMatrix, {
    filename: "gender_bridge_gap_matrix.png",
    label: nbText.General.downloadFigure,
  }),
  downloadCsvButton(genderSolutions, {
    filename: "gender_adaptation_solutions_roy2022.csv",
    label: nbText.General.download,
  }),
])

SummaryRésumé

Gendered climate vulnerability emerges from the interaction between climate hazards, women’s exposure through their participation in agricultural production, and the adaptive capacity available to respond to changing conditions. Because women’s roles in crop and livestock systems, access to resources, and decision-making power vary across geographies and agricultural activities, climate risks are unevenly distributed rather than uniformly experienced. Mapping these intersecting dimensions enables the identification of climate–agriculture–gender hotspots where high hazard exposure coincides with substantial female participation in vulnerable agricultural systems and limited adaptive capacity. Such evidence provides a foundation for targeting gender-responsive agricultural investments that not only reduce climate risks but also address the structural inequalities that constrain women’s resilience. By strengthening women’s adaptive capacity alongside climate adaptation, investments can promote more equitable, resilient, and sustainable agri-food systems while advancing progress towards the Sustainable Development Goals (SDGs).

Gender-inclusive agricultural investments are essential for overcoming existing inequalities and mitigating future climate risks. Our analysis shows that women are differentially involved in different crops and geographies, and it highlights the regions where investments may be needed most. These climate investments should focus on driving inclusive adaptation pathways to ensure a sustainable future for all.

La vulnérabilité climatique genrée émerge de l’interaction entre les aléas climatiques, l’exposition des femmes à travers leur participation à la production agricole, et la capacité d’adaptation disponible pour répondre aux conditions changeantes. Parce que les rôles des femmes dans les systèmes de culture et d’élevage, leur accès aux ressources et leur pouvoir de décision varient selon les géographies et les activités agricoles, les risques climatiques sont inégalement répartis plutôt qu’uniformément vécus. La cartographie de ces dimensions croisées permet d’identifier les points chauds climat-agriculture-genre, où une forte exposition aux aléas coïncide avec une participation féminine importante dans des systèmes agricoles vulnérables et une capacité d’adaptation limitée. Ces éléments constituent une base pour cibler des investissements agricoles sensibles au genre qui non seulement réduisent les risques climatiques, mais s’attaquent aussi aux inégalités structurelles qui limitent la résilience des femmes. En renforçant la capacité d’adaptation des femmes parallèlement à l’adaptation climatique, les investissements peuvent promouvoir des systèmes agroalimentaires plus équitables, résilients et durables, tout en faisant progresser les Objectifs de Développement Durable (ODD).

Les investissements agricoles inclusifs en matière de genre sont essentiels pour surmonter les inégalités existantes et atténuer les futurs risques climatiques. Notre analyse montre que les femmes sont différemment impliquées dans diverses cultures et géographies, et elle met en lumière les régions où les investissements peuvent être les plus nécessaires. Ces investissements climatiques devraient se concentrer sur la promotion de voies d’adaptation inclusives pour assurer un avenir durable pour tous.

Methods & SourcesMéthodes et sources

Datasets

Female participation in agricultural labor and crop production

The data for female labor participation in the production of different crops across multiple countries is taken from Palacios-Lopez, A., Christiaensen, L. and Kilic, T. (2017). The data is based on a survey of ~2000 households in 6 countries circa 2015. Data for North and South Nigeria was combined by taking the mean value for each crop or agricultural activity.

Agrifood Systems Employment

Employment shares by sex come from the FAOSTAT Gender in Agrifood Systems domain (ILO modelled estimates, 2000–2023; the chart shows each country’s latest available year). On-farm employment corresponds to agriculture; off-farm agrifood-systems employment includes food processing, trade, transport, and food services.

Adaptive Capacity Indicators

The sex-disaggregated adaptive-capacity indicators also come from the FAOSTAT Gender in Agrifood Systems domain: rural primary-school completion (UNESCO), secure rights over agricultural land (SDG 5.a.1), bank account ownership and payments received for agricultural sales (World Bank Global Findex), formal employment in agrifood systems (ILO), internet use, and food security. All are shares of people of each sex, shown for each country’s latest available year, and oriented so that higher values indicate greater ability to adapt — food security is expressed as the share of people who are not moderately or severely food insecure (inverse of SDG 2.1.2 prevalence).

Human Heat Stress (WBGT)

Human heat stress is measured as the number of days per year on which the wet-bulb globe temperature (WBGT), a heat index that combines temperature and humidity, exceeds 28°C or 30°C, two standard occupational heat-risk thresholds. The data are global 0.05° rasters covering a historic baseline (2000s) and the 2030s and 2050s under the SSP2-4.5 (medium emissions) and SSP5-8.5 (high emissions) scenarios. Source: Ormaza Zulueta, N. and Mehrabi, Z. (2025). Reductions in the future agricultural workday due to climate change. Research Square preprint; dataset on Zenodo.

Number of Women Involved In Agriculture

• Female population data is based on the WorldPop age/sex structure dataset, and includes all females aged 65 or younger (WorldPop, 2016). This data has a spatial resolution of 1 km and is based on the WorldPop 2015 estimates.
• Percentage of women working in agriculture per admin level 1 boundary is taken from the LivWell dataset (Belmin et al., 2022). In regions not covered by the Livwell data, country scale data from the ILO stat modeled estimate of employment in agriculture is used (International Labour Organization, 2022).

Women’s Livestock Sale Income

Household data on livestock sale income come from the Rural Household Multi-Indicator Survey (RHoMIS; Gorman et al., 2024), which covers 53,144 farm households surveyed between 2015 and 2023, most of them in Africa. For each household that sold a given type of livestock we take the portion of that income attributed to adult and youth women, then average this share across households in the country. RHoMIS surveys are run within development projects, so the results describe the surveyed sites rather than national populations.

Adaptation Solutions and Gender Outcomes

The solution data is based on a systematic review of adaptation solutions and evidence on their gender outcomes by Roy, J., Prakash, A., Some, S. et al. (2022). This review is comprised of >17,000 studies on gender and climate adaptation globally.

Climate-Agriculture-Gender Hotspot Index

The hotspot index comes from an IFPRI analysis covering 87 countries, built on the IPCC risk framework. It combines the share of rural population likely to face specific climate hazard types (CGIAR Research Program on Climate Change, Agriculture and Food Security), women’s exposure measured from labor participation and hours worked in agriculture (Labor Force Survey data), and women’s vulnerability proxied by five discriminatory social institutions from the Social Institutions and Gender Index (SIGI) 2014. Principal component analysis is used to construct an ordinal hotspot index from these indicators. Ranks shown in this notebook are recomputed across the African countries included; the original global rank (out of 87 countries) is included in the data download. Source: Lecoutere, E., Mishra, A., Singaraju, N., Koo, J., Azzarri, C., Chanana, N., Nico, G. and Puskur, R. (2023). Where women in agri-food systems are at highest climate risk: a methodology for mapping climate–agriculture–gender inequality hotspots. Frontiers in Sustainable Food Systems, 7, 1197809.

Boundaries

Administrative areas used in this notebook come from the Adaptation Atlas boundary dataset, derived from the FAO Global Administrative Unit Layers (GAUL) 2024 with Atlas-specific modifications so that countries are shown as they represent themselves.

Methods

Number of Women in Agriculture

The share of women working in agriculture per admin 1 region is the female-population-weighted mean of the combined LivWell/ILO layer. Multiplying the female population raster by this share and summing per region gives the total number of women working in agriculture in each country and admin 1 region.

Heat Stress and Gender Hot Spots

The WBGT heat-stress rasters and the women-in-agriculture layer were summarized to admin 1 boundaries: heat stress as the area mean, and the share of women working in agriculture as the female-population-weighted mean. Each was then classified into three levels using fixed breaks: heat stress at 30 and 90 days per year above the selected WBGT threshold (roughly, more than a month and more than a quarter of the year), and women’s participation at 20% and 50%. The same breaks apply to every time period, scenario, and WBGT threshold, so map colors are directly comparable across selections. Overlaying the two classifications gives the nine bivariate map classes, highlighting regions where high heat stress coincides with high female participation in agriculture.

Adaptation Solutions

The solutions data was subset by studies that were focused on agriculture and located in Africa. The resulting adaptive solutions were grouped in four key categories:

• Financial mechanisms and knowledge management (including studies on insurance, credit, and microfinance)
• Migration
• Natural resource management
• Biodiversity conservation
• Livelihood diversification

The adaptation category, intervention, gender outcome score (SDG 5 score), geography, risk, and degree of agreement from each of these studies was extracted for inclusion in the table.

A Note on the Data

Most employment figures in this notebook come from labour force surveys and ILO models. These are known to undercount informal and unpaid farm work, which falls mostly to women, so women’s actual agricultural labour is likely higher than the numbers shown here. The source data are disaggregated by sex (female and male); we use them to describe gender roles in agriculture, which the underlying surveys can only partly capture. National averages also hide differences between regions, age groups, and income levels.

Jeux de données

Participation féminine dans le travail agricole et la production de cultures

Les données sur la participation féminine à la production de différentes cultures dans plusieurs pays proviennent de l’étude de Palacios-Lopez, A., Christiaensen, L. et Kilic, T. (2017). Ces données sont basées sur une enquête auprès d’environ 2000 ménages dans 6 pays vers 2015. Les données pour le nord et le sud du Nigeria ont été combinées en prenant la valeur moyenne pour chaque culture ou activité agricole.

Emploi dans les systèmes agroalimentaires

Les parts d’emploi par sexe proviennent du domaine Genre dans les systèmes agroalimentaires de FAOSTAT (estimations modélisées de l’OIT, 2000-2023; le graphique montre la dernière année disponible pour chaque pays). L’emploi à la ferme correspond à l’agriculture; l’emploi agroalimentaire hors exploitation comprend la transformation alimentaire, le commerce, le transport et les services de restauration.

Indicateurs de capacité d’adaptation

Les indicateurs de capacité d’adaptation désagrégés par sexe proviennent également du domaine Genre dans les systèmes agroalimentaires de FAOSTAT : achèvement de l’enseignement primaire en milieu rural (UNESCO), droits fonciers agricoles sûrs (ODD 5.a.1), possession d’un compte bancaire et paiements reçus pour des ventes agricoles (Global Findex de la Banque mondiale), emploi formel dans les systèmes agroalimentaires (OIT), utilisation d’Internet et sécurité alimentaire. Tous sont des parts de personnes de chaque sexe, présentés pour la dernière année disponible de chaque pays, et orientés de sorte que des valeurs plus élevées indiquent une plus grande capacité d’adaptation — la sécurité alimentaire est exprimée comme la part des personnes qui ne sont pas en insécurité alimentaire modérée ou grave (inverse de la prévalence ODD 2.1.2).

Stress thermique humain (WBGT)

Le stress thermique humain est mesuré comme le nombre de jours par an où la température au thermomètre-globe mouillé (WBGT), un indice de chaleur qui combine température et humidité, dépasse 28°C ou 30°C, deux seuils standards de risque thermique au travail. Les données sont des rasters mondiaux à 0,05° couvrant une base historique (années 2000) ainsi que les années 2030 et 2050 selon les scénarios SSP2-4.5 (émissions moyennes) et SSP5-8.5 (émissions élevées). Source : Ormaza Zulueta, N. et Mehrabi, Z. (2025). Reductions in the future agricultural workday due to climate change. Préimpression Research Square; jeu de données sur Zenodo.

Nombre de femmes impliquées dans l’agriculture

• Les données sur la population féminine sont basées sur le jeu de données sur la structure par âge/sexe de WorldPop, et incluent toutes les femmes âgées de 65 ans ou moins (WorldPop, 2016). Ces données ont une résolution spatiale de 1 km et sont basées sur les estimations de WorldPop pour 2015.
• Le pourcentage de femmes travaillant dans l’agriculture par limite administrative de niveau 1 est tiré du jeu de données LivWell (Belmin et al., 2022). Dans les régions non couvertes par les données LivWell, les données à l’échelle nationale de l’estimation modélisée de l’emploi dans l’agriculture de l’ILO stat sont utilisées (International Labour Organization, 2022).

Revenu des ventes de bétail des femmes

Les données sur le revenu des ventes de bétail proviennent de l’enquête Rural Household Multi-Indicator Survey (RHoMIS; Gorman et al., 2024), qui couvre 53 144 ménages agricoles enquêtés entre 2015 et 2023, pour la plupart en Afrique. Pour chaque ménage ayant vendu un type de bétail donné, nous prenons la part de ce revenu attribuée aux femmes adultes et jeunes, puis nous faisons la moyenne de cette part entre les ménages du pays. Les enquêtes RHoMIS sont menées dans le cadre de projets de développement; les résultats décrivent donc les sites enquêtés plutôt que les populations nationales.

Solutions d’adaptation et résultats en matière de genre

Les données sur les solutions sont basées sur une revue systématique des solutions d’adaptation et des preuves de leurs résultats en matière de genre réalisée par Roy, J., Prakash, A., Some, S. et al. (2022). Cette revue comprend plus de 17 000 études sur le genre et l’adaptation au climat à l’échelle mondiale.

Indice des points chauds climat-agriculture-genre

L’indice des points chauds provient d’une analyse de l’IFPRI couvrant 87 pays, fondée sur le cadre d’analyse des risques du GIEC. Il combine la part de la population rurale susceptible de faire face à des types spécifiques d’aléas climatiques (programme de recherche du CGIAR sur le changement climatique, l’agriculture et la sécurité alimentaire), l’exposition des femmes mesurée par leur participation au travail et les heures travaillées dans l’agriculture (données des enquêtes sur la main-d’œuvre), et la vulnérabilité des femmes approchée par cinq institutions sociales discriminatoires de l’indice SIGI 2014. Une analyse en composantes principales est utilisée pour construire un indice ordinal des points chauds à partir de ces indicateurs. Les rangs affichés dans ce notebook sont recalculés parmi les pays africains inclus; le rang mondial d’origine (sur 87 pays) figure dans le téléchargement des données. Source : Lecoutere, E., Mishra, A., Singaraju, N., Koo, J., Azzarri, C., Chanana, N., Nico, G. et Puskur, R. (2023). Where women in agri-food systems are at highest climate risk: a methodology for mapping climate–agriculture–gender inequality hotspots. Frontiers in Sustainable Food Systems, 7, 1197809.

Délimitations

Les zones administratives utilisées dans ce notebook proviennent du jeu de données de délimitations de l’Adaptation Atlas, dérivé des couches administratives mondiales (GAUL) 2024 de la FAO, avec des modifications propres à l’Atlas afin que les pays soient représentés tels qu’ils se représentent eux-mêmes.

Méthodologie

Nombre de femmes dans l’agriculture

La part des femmes travaillant dans l’agriculture par région administrative de niveau 1 est la moyenne pondérée par la population féminine de la couche combinée LivWell/OIT. En multipliant le raster de population féminine par cette part puis en sommant par région, on obtient le nombre total de femmes travaillant dans l’agriculture dans chaque pays et région administrative de niveau 1.

Stress thermique et zones critiques genrées

Les rasters de stress thermique WBGT et la couche des femmes dans l’agriculture ont été résumés aux limites administratives de niveau 1 : le stress thermique comme moyenne de surface, et la part des femmes travaillant dans l’agriculture comme moyenne pondérée par la population féminine. Chacun a ensuite été classé en trois niveaux selon des seuils fixes : le stress thermique à 30 et 90 jours par an au-dessus du seuil WBGT sélectionné (environ plus d’un mois et plus d’un quart de l’année), et la participation des femmes à 20 % et 50 %. Les mêmes seuils s’appliquent à toutes les périodes, à tous les scénarios et aux deux seuils WBGT, de sorte que les couleurs de la carte sont directement comparables d’une sélection à l’autre. La superposition des deux classifications donne les neuf classes bivariées de la carte, mettant en évidence les régions où un fort stress thermique coïncide avec une forte participation des femmes à l’agriculture.

Solutions d’adaptation

Les données sur les solutions ont été extraites d’études centrées sur l’agriculture et situées en Afrique. Les solutions d’adaptation résultantes ont été regroupées en quatre catégories clés:

• Mécanismes financiers et gestion des connaissances (y compris les études sur l’assurance, le crédit et la microfinance)
• Migration
• Gestion des ressources naturelles
• Conservation de la biodiversité
• Diversification des moyens de subsistance

La catégorie d’adaptation, l’intervention, le score de résultat en matière de genre (score ODD 5), la géographie, le risque et le degré d’accord de chacune de ces études ont été extraits pour inclusion dans le tableau.

Remarque sur les données

La plupart des chiffres d’emploi de ce notebook proviennent d’enquêtes sur la main-d’œuvre et de modèles de l’OIT. Ces sources sous-estiment le travail agricole informel et non rémunéré, qui revient surtout aux femmes; le travail agricole réel des femmes est donc probablement plus élevé que les chiffres présentés ici. Les données sources sont désagrégées par sexe (femmes et hommes); nous les utilisons pour décrire les rôles de genre dans l’agriculture, que les enquêtes sous-jacentes ne peuvent saisir que partiellement. Les moyennes nationales masquent aussi des différences entre régions, groupes d’âge et niveaux de revenu.

ContributorsContributeurs

AuthorsAuteurs

Hanna Ewell¹, Shalika Vyas¹, Brayden Youngberg¹, Pete Steward¹, Todd Rosenstock^1,2

Technical DevelopmentDéveloppement technique

Brayden Youngberg¹

AffiliationsAffiliations

¹ Alliance Bioversity and CIAT

² CGIAR

CitationRéférence

CGIAR. (2026). Analyze Women's Exposure to Climate HazardsAnalyser l'exposition des femmes aux aléas climatiques. Africa Agriculture Adaptation Atlas. https://adaptationatlas.cgiar.org

AppendixAnnexe

Source code

Data import and cleaning

hotspotData = FileAttachment("/data/genderExposure/ifpriGenderHotspots_africa.json").json()

africaA0 = {
  const topo = await FileAttachment("/data/shared/atlas_gaul24_a0_africa_simple-vlowres.topojson").json();
  return topojson.feature(topo, topo.objects.atlas_gaul24_a0_africa);
}

hotspotFeatures = mergeDataToBoundaries({
  boundaries: africaA0,
  data: hotspotData,
  boundaryKey: (f) => f.properties.iso3,
  dataKey: "iso3",
})

// Key localized country names by UN M49, falling back to boundary names.
countryNamesByN = {
  const atlas = await FileAttachment("/data/shared/atlas_countries.json").json();
  const byIso3 = new Map(atlas.map((r) => [r.iso3c, r.translation]));
  return new Map(
    africaA0.features.map((f) => {
      const tr = byIso3.get(f.properties.iso3) ?? {};
      return [f.properties.iso3n, {
        en: tr.en ?? f.properties.un_a0_en,
        fr: tr.fr ?? f.properties.un_a0_fr,
      }];
    }),
  );
}

countryNameN = (iso3n, fallback = "") =>
  countryNamesByN.get(iso3n)?.[language.key] ?? countryNamesByN.get(iso3n)?.en ?? fallback

// Keys double as the field names in hotspotData.
hotspotIndicators = nbText.GlobalHotspots.indicators

hypq = import("https://cdn.jsdelivr.net/npm/hyparquet@1.26.2/+esm")

// WBGT heat stress + women-in-agriculture tables extracted to GAUL24 admin0/1
// by notebookv2/scripts/extract_gender_layers.R (join key: gaul1_code).
wbgtData = hypq.parquetQuery({
  file: await FileAttachment("/data/genderExposure/wbgt_gaul24_africa.parquet").arrayBuffer(),
})

// Crop (NTx) and livestock (THI), same shape as wbgtData. Historic comes from the
// CIS baseline and the futures from the ensemble export; both are aggregated over
// Jägermeyr growing seasons, which is what makes the two halves comparable.
heatHazardData = hypq.parquetQuery({
  file: await FileAttachment(
    "/data/genderExposure/heatHazards_gaul24_africa.parquet"
  ).arrayBuffer(),
})

womenAgriData = hypq.parquetQuery({
  file: await FileAttachment("/data/genderExposure/women-agri_gaul24_africa.parquet").arrayBuffer(),
})

africaA1 = {
  const topo = await FileAttachment(
    "/data/shared/atlas_gaul24_a1_africa_simple-vlowres.topojson"
  ).json();
  return topojson.feature(topo, topo.objects.atlas_gaul24_a1_africa);
}

// Latest FAOSTAT/ILO agrifood employment by sex and country.
afsEmployment = hypq.parquetQuery({
  file: await FileAttachment("/data/genderExposure/afsEmployment_faostat.parquet").arrayBuffer(),
})

// Latest sex-disaggregated FAOSTAT capacity indicators; higher percentages are better.
adaptiveCapacity = hypq.parquetQuery({
  file: await FileAttachment("/data/genderExposure/adaptiveCapacity_faostat.parquet").arrayBuffer(),
})

capCountryNames = new Map(adaptiveCapacity.map((d) => [d.iso3n, countryNameN(d.iso3n, d.area)]))

// Gender outcomes of adaptation solutions: 24 coded studies on African
// agriculture from Roy, Prakash, Some et al. (2022).
genderSolutions = FileAttachment("/data/genderExposure/gender_solutions.json").json()

iso3ToN = new Map(africaA0.features.map((f) => [f.properties.iso3, f.properties.iso3n]))

// Women's control over livestock products (milk, eggs, meat) per country.
// RHoMIS surveys, extracted by notebookv2/scripts/extract_rhomis_livestockControl.sql.
livestockControl = FileAttachment("/data/genderExposure/livestockControl_rhomis.json").json()

// Women's share of crop-production labor, 6 countries (Palacios-Lopez et al.
// 2017; wide source rows reshaped to long).
cropGenderData = {
  const wide = await FileAttachment("/data/genderExposure/crop_gender_data.json").json();
  return wide.flatMap(({ country, ...groups }) =>
    Object.entries(groups).map(([cropGroup, pctFemale]) => ({ country, cropGroup, pctFemale }))
  );
}

womenByGaul1 = new Map(
  womenAgriData.filter((d) => d.admin1_name != null).map((d) => [d.gaul1_code, d]),
)

biVarRows = {
  const scen = heatTimeframe === "historic" ? "historic" : heatScenario;
  return heatRows
    .filter((d) =>
      d.admin1_name != null &&
      d.timeframe === heatTimeframe &&
      d.scenario === scen &&
      (heatThresholds == null || d.threshold === heatThreshold)
    )
    .map((d) => {
      const w = womenByGaul1.get(d.gaul1_code);
      return { ...d, pct_women_agri: w?.pct_women_agri ?? null, women_agri_count: w?.women_agri_count ?? null };
    });
}

biVarFeatures = mergeDataToBoundaries({
  boundaries: africaA1,
  data: biVarRows,
  boundaryKey: "gaul1_code",
  dataKey: "gaul1_code",
})

heatRows = heatHazard === "human"
  ? wbgtData
  : heatHazardData.filter((d) => d.hazard === heatHazard)

// Each hazard is a different quantity: WBGT counts days per YEAR above a cutoff,
// NTx days per MONTH of the growing season, THI is an index. Livestock cuts follow
// the standard THI scale (no/mild <79, moderate 79-89, severe >=90) — the bivariate
// palette is 3x3, so no-stress and mild share a class, which is also where the
// fewest units sit. Crop 40°C needs its own breaks because two thirds of units sat
// at or below 0.3 days historically. Women 20/50%.
heatClass = d3.scaleThreshold(
  heatHazard === "human" ? [30, 90]
  : heatHazard === "livestock" ? [79, 90]
  : heatThreshold === 40 ? [0.3, 2]
  : [1, 6],
  d3.range(3),
)

womenClass = d3.scaleThreshold([20, 50], d3.range(3))

// x = women (blue), y = heat (red).
biVarColors = bivariatePalettes.blueRed

// A threshold scale bands NaN into its lowest class, so missing values have to be
// caught before the lookup or they would read as low heat and few women.
biVarColor = (row) => {
  // Unfilled rather than grey: the palette's own low-low cell is #e8e8e8, so a
  // grey no-data class would be indistinguishable from "low heat, few women".
  if (!Number.isFinite(row?.value) || !Number.isFinite(row?.pct_women_agri)) {
    return "#fff";
  }
  const x = womenClass(row.pct_women_agri);
  const y = heatClass(row.value);
  return biVarColors.find((cell) => cell.x === x && cell.y === y).color;
}

Language

import { lang as Lang } from "/helpers/lang.js";

general_translations = await FileAttachment("/data/shared/generalTranslations.json").json()

languages = [
  { key: "en", label: "English", locale: "en-US" },
  { key: "fr", label: "Français", locale: "fr-FR" },
]

// Language state lives in the navbar switcher; this cell just subscribes.
langKey = Generators.observe((notify) => {
  notify(window.atlasLang ?? "en");
  const onChange = (e) => notify(e.detail);
  window.addEventListener("atlas:lang", onChange);
  return () => window.removeEventListener("atlas:lang", onChange);
})

language = languages.find((l) => l.key === langKey) ?? languages[0]

_lang = Lang.lg(language.key)

import { loadNotebookText, readNotebookConfig } from "/helpers/notebook.js";

notebookConfig = readNotebookConfig()

notebookText = await loadNotebookText(notebookConfig)

nbText = notebookText[language.key]

nbTitle = notebookConfig.title[language.key]

tmpl = (template, values) =>
  Lang.reduceReplaceTemplateItems(
    template,
    Object.entries(values).map(([name, value]) => ({ name, value }))
  )