MétaCan
Menu
Retour à la cohorte
Enregistrement W2131593118 · doi:10.1093/biosci/biu037

Farming for Ecosystem Services: An Ecological Approach to Production Agriculture

2014· article· en· W2131593118 sur OpenAlexaff
G. Philip Robertson, Katherine L. Gross, Stephen K. Hamilton, Douglas A. Landis, Thomas M. Schmidt, Sieglinde S. Snapp, Scott M. Swinton

Notice bibliographique

RevueBioScience · 2014
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueLand Use and Ecosystem Services
Établissements canadiensKellogg's (Canada)
Organismes subventionnairesCollege of Engineering, Michigan State UniversityMichigan State UniversityNational Science Foundation
Mots-clésEcosystem servicesAgricultureBusinessEcological farmingBiodiversitySustainable agriculturePaymentIntegrated farmingEnvironmental resource managementEcosystemAgroforestryProduction (economics)Environmental planningOrganic farmingEcologyGeographyEnvironmental scienceEconomics

Résumé

récupéré en direct d'OpenAlex

A balanced assessment of ecosystem services provided by agriculture requires a systems-level socioecological understanding of related management practices at local to landscape scales. The results from 25 years of observation and experimentation at the Kellogg Biological Station long-term ecological research site reveal services that could be provided by intensive row-crop ecosystems. In addition to high yields, farms could be readily managed to contribute clean water, biocontrol and other biodiversity benefits, climate stabilization, and long-term soil fertility, thereby helping meet society's need for agriculture that is economically and environmentally sustainable. Midwest farmers-especially those with large farms-appear willing to adopt practices that deliver these services in exchange for payments scaled to management complexity and farmstead benefit. Surveyed citizens appear willing to pay farmers for the delivery of specific services, such as cleaner lakes. A new farming for services paradigm in US agriculture seems feasible and could be environmentally significant.

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)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,051

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0030,003
Études des sciences et des technologies0,0030,012
Communication savante0,0060,005
Science ouverte0,0010,003
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,013
Tête enseignante GPT0,211
Écart entre enseignants0,198 · 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'étudeThéorique ou conceptuel
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

Citations264
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBioScienceMême sujetLand Use and Ecosystem ServicesTravaux en français237 207