MétaCan
Menu
Retour à la cohorte
Enregistrement W2070657783 · doi:10.1504/ijarge.2014.061042

Analysing the links between agriculture and climate change: can 'best management practices' be responsive to climate extremes?

2014· article· en· W2070657783 sur OpenAlexafffundabout
Dena W. McMartin, Bruno H. Hernani Merino

Notice bibliographique

RevueInternational Journal of Agricultural Resources Governance and Ecology · 2014
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSustainable Agricultural Systems Analysis
Établissements canadiensUniversity of Regina
Organismes subventionnairesAgriculture and Agri-Food CanadaClimate Extremes
Mots-clésLivelihoodVulnerability (computing)Climate changeAgricultureEnvironmental resource managementFlooding (psychology)Environmental planningAdaptabilityGeographyBusinessEnvironmental scienceEcology

Résumé

récupéré en direct d'OpenAlex

Rural communities the world over depend on agriculturally-based livelihoods. In the Canadian prairies, access to sufficient quality and quantity of water can be challenging. Agriculture is fundamentally susceptible to access to water during critical crop germination and growth periods. Climate change models for the Canadian prairies indicate, in general, that summer growing seasons will experience less frequent, but larger precipitation events. The anticipated results of a changing climate include more frequent spring flooding and a new climate regime that requires more proactive water management to ensure availability of adequate supplies at optimal times to support and sustain agricultural production. Multi-disciplinary research is investigating, quantifying, and critically assessing currently purported beneficial management practices (BMPs) for agriculture to determine rural community vulnerability and adaptability to climate change. The presentation includes research results from field scale implementation and testing of BMPs, interviews of rural communities and residents, and quantitative evaluations of rural economies, development, and adaptation strategies.

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)0,010
score de la tête « metaresearch » (Gemma)0,039
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 enseignants0,016
Score d'incertitude au seuil0,054

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,039
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0010,003
Communication savante0,0060,004
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,012
Tête enseignante GPT0,253
Écart entre enseignants0,240 · 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

Citations4
Publié2014
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Agricultural Resources Governance and EcologyMême sujetSustainable Agricultural Systems AnalysisTravaux en français237 207