MétaCan
Menu
Retour à la cohorte
Enregistrement W2749134727 · doi:10.1101/179358

Does no-till agriculture limit crop yields?

2017· preprint· en· W2749134727 sur OpenAlexaff
Matteo Tanadini, Zia Mehrabi

Notice bibliographique

RevuebioRxiv (Cold Spring Harbor Laboratory) · 2017
Typepreprint
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueClimate change impacts on agriculture
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésConservation agricultureAgricultureCrop rotationNo-till farmingCrop residueYield (engineering)Agricultural economicsCropCrop yieldAgroforestryNatural resource economicsEconomicsEnvironmental scienceAgronomyGeographySoil waterForestry

Résumé

récupéré en direct d'OpenAlex

No-till is an agricultural practice widely promoted by governments, development agencies, and agricultural organisations worldwide. However, the costs and benefits to farmers adopting no-till are hotly debated 1–4 . Using a meta-analysis of unprecedented study size, Pittelkow et al. 5 reported that adopting no-till results in average yield losses of -5.7%, but that these losses can be limited with the added implementation of two additional conservation agriculture practices - crop rotation and crop residue retention, and in dry environments. They claimed that, as a result, resource limited smallholder farmers, that are unable to implement the whole suite of conservation agriculture practices are likely to experience yield losses under no-till. In a re-evaluation of their analysis, we found that they overly biased their results toward showing that no-till negatively impacts yields, and overlooked the practical significance of their findings. Strikingly, we find that all of the variables they used in their analysis (e.g. crop residue management, rotation, site aridity and study duration) are not much better than random for explaining the effect of no-till on crop yields. Our results suggest that their meta-analysis cannot be used as the basis for evidence-based decision-making in the agricultural community.

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)0,041
score de la tête « metaresearch » (Gemma)0,094
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,041
Score d'incertitude au seuil0,216

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0410,094
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0030,005
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,003
Communication savante0,0030,004
Science ouverte0,0020,001
Intégrité de la recherche0,0040,003
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,027
Tête enseignante GPT0,224
Écart entre enseignants0,197 · 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

Citations2
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuebioRxiv (Cold Spring Harbor Laboratory)Même sujetClimate change impacts on agricultureTravaux en français237 207