Building capacity for assessing spatial-based sustainability metrics in agriculture
Notice bibliographique
Résumé
Crop yield is influenced over time and space, namely, by a wide range of variables linked with crop genetics, agronomic management practices and the environment under which the crop dynamically responds to maximize growth potential and survival. Such variability can pose substantial uncertainty and risks in the use of agricultural sustainability decision-making frameworks that include crop yield as a leading metric. Here, decision analytics can play a vital role by guiding the use of statistical-based analytics to build in a higher degree of intelligence to enable better predictive (i.e., crop yield forecasting both over the growing season and inter-annually) and prescriptive (optimization across crop areas and subdivisions) approaches. While inter-annual variability in yield can be modelled based on a deterministic trend with stochastic variation, quantifying the variability of yield and how it changes across different spatial resolutions remains a major knowledge gap. To better understand how yield scales spatially, we integrate in this study, for the first time, multi-scale crop yield of spring wheat and its variance (i.e., field to district to region) obtained within the major wheat growing region of the Canadian Prairies (Western Canada). We found large differences between the mean and variance from field to district to regional scales, from which we determined spatially-dependent (i.e., site specific) scaling factors for the mean and variance of crop yield. From our analysis, we provide several key recommendations for building capacity in assessing agricultural sustainability using spatial-based metrics. In the future, the use of such metrics may broaden the adoption and consistent implementation of new sustainable management protocols and practices under a precautionary, adaptive management approach.
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 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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».