Application of Bayesian spatial smoothing models to assess agricultural self-sufficiency
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
With the rising oil prices, climate change, and the ever increasing burden of nutrition-related disease, food security is of growing research interest in academic disciplines spanning agronomy to epidemiology to urban planning. Some governments have developed progressive policies encouraging individuals to consume locally produced foods in order to support local economies, improve agricultural sustainability and community access to food, and to plan and prepare for adverse environmental impacts on food security. However, fundamental methods are lacking for conducting research on food security across these various disciplines. In this article, we first present a method to measure agricultural self-sufficiency, which we refer to as our self-sufficiency index (SSI) for the province of British Columbia, Canada. We then present a Bayesian autoregressive framework utilizing readily available agricultural data to develop predictive smoothing models for the SSI. We find that regional capital investment in agriculture and cropland acreage is the strong predictor of SSI. To accommodate spatial variability, we compare linear regression models with spatially correlated errors to less traditional spatially varying coefficient models, and find that the former class results in better model fit. The smoothed maps suggest that relatively strong self-sufficiency exists only in subset clusters in the Okanagan, Peace River, and lower mainland regions. In spite of policy to promote local food, the existing local agricultural system is insufficient to support a large-scale shift to local diets. Our approach to estimating neighborhood-based self-sufficiency with a predictive model can be extended for use in other regions where limited data are available to directly assess local agriculture and benefit from explicit consideration of spatial structure in the local food system.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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