MétaCan
Menu
Retour à la cohorte
Enregistrement W1514000251 · doi:10.26786/1920-7603(2014)8

Pollination deficits in UK apple orchards

2013· article· en· W1514000251 sur OpenAlexvenueno aff
Michael P. D. Garratt, Louise Truslove, Duncan J. Coston, Rebecca Evans, Ellen Moss, Cassie Dodson, Nigel Jenner, Jacobus C. Biesmeijer, Simon G. Potts

Notice bibliographique

RevueJournal of Pollination Ecology · 2013
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiquePlant and animal studies
Établissements canadiensnon disponible
Organismes subventionnairesBiotechnology and Biological Sciences Research Council
Mots-clésPollinationPollinatorOrchardBiologyPollination managementAbundance (ecology)HabitatAgroforestryEcologyPollen

Résumé

récupéré en direct d'OpenAlex

Apple production in the UK is worth over £100 million per annum and this production is heavily dependent on insect pollination. Despite its importance, it is not clear which insect pollinators carry out the majority of this pollination. Furthermore, it is unknown whether current UK apple production, in terms of both yield and quality, suffers pollination deficits and whether production value could be increased through effective management of pollination services. The present study set out to address some of these unknowns and showed that solitary bee activity is high in orchards and that they could be making a valuable contribution to pollination. Furthermore, fruit set and apple seed number were found to be suffering potential pollination deficits although these were not reflected in apple quality. Deficits could be addressed through orchard management practices to improve the abundance and diversity of wild pollinators. Such practices include provision of additional floral resources and nesting habitats as well as preservation of semi-natural areas. The cost effectiveness of such strategies would need to be understood taking into account the potential gains to the apple industry.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,092
Score d'incertitude au seuil0,184

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,028
Tête enseignante GPT0,223
Écart entre enseignants0,195 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations101
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Pollination EcologyMême sujetPlant and animal studiesTravaux en français237 207