Economic Targeting of Agricultural Beneficial Management Practices to Address Phosphorus Runoff in Manitoba
Notice bibliographique
Résumé
Abstract The mechanisms used to deliver agricultural beneficial management practices (BMPs) can influence the performance of these policies. Research has suggested that agri‐environmental instruments targeted based on specific economic or environmental characteristics can improve policy performance. Using a case study approach, we evaluate the relative performance of different mechanisms to target subsidized water retention pond BMPs to reduce phosphorus (P) runoff in an agriculture dominated subwatershed within the Lake Winnipeg watershed in southern Manitoba. The water retention pond BMPs were targeted based on estimated establishment costs (cost targeting), total phosphorus removal from surface water (benefit targeting), and pond‐specific benefit–cost ratios. The targeting was simulated using predictions of retention pond‐specific P removal from an adapted hydrology model and site‐specific pond construction and land opportunity costs assembled in a geographic information system database. Targeting of water retention pond BMPs has an impact on the cost effectiveness of the policy delivery with benefit–cost targeting being the most cost‐effective approach. Water retention ponds providing higher P removal at lower cost were smaller in size and on land previously used for the production of lower value crops. Le ciblage économique des pratiques de gestion bénéfiques en agriculture pour remédier au ruissellement du phosphore au Manitoba Les mécanismes utilisés pour livrer des pratiques de gestion bénéfiques (PGB) peuvent influencer la performance de ces politiques. Des études suggèrent que le ciblage d'instruments agroenvironnementaux basé sur des caractéristiques économiques ou environnementales précises peut améliorer la performance des politiques. Au moyen d'études de cas, nous évaluons la performance relative de divers mécanismes pour cibler les PGB des bassins de rétention d'eau subventionnés pour réduire le ruissellement de phosphore (P) dans un sous‐bassin du bassin du Lac Winnipeg au sud du Manitoba. Les PGB du bassin de rétention des eaux ont été ciblées en fonction des coûts estimés d'établissement (ciblage des coûts), de l′élimination totale du phosphore de la surface de l'eau (ciblage des bénéfices), et des ratios avantages‐coûts liés au bassin. Le ciblage fut simulé au moyen de prédictions du taux de suppression de P spécifique à chaque bassin de rétention obtenues à partir d'une adaptation d'un modèle hydrologique et d'une base de données d'un système d'information géographique (SIG) contenant les sites de chaque bassin de rétention et le coût d'opportunité du terrain. Le ciblage des PGB des bassins de rétention d'eau a un impact sur la rentabilité de la mise en œuvre de politiques, le ciblage coût‐avantages étant l'approche la plus rentable. Les bassins de rétention d'eau ayant le plus haut taux d'élimination de P à moindre coût s'avéraient plus petits et sur des terrains ayant servi, auparavant, à la production de cultures de moindre valeur.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».