MétaCan
Menu
Retour à la cohorte
Enregistrement W2795603923 · doi:10.26898/0370-8799-2018-1-13

STATE AND PROSPECTS OF VEGETABLE GROWING DEVELOPMENT IN SIBERIAN FEDERAL DISTRICT

2018· article· en· W2795603923 sur OpenAlexaboutno aff
S. G. Chernova

Notice bibliographique

RevueSiberian Herald of Agricultural Science · 2018
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgricultural Development and Policies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésGeographyAgricultural economicsPopulationProductivityAgricultureEnvironmental protectionQuarter (Canadian coin)Agricultural scienceEconomic growthEnvironmental scienceEconomics

Résumé

récupéré en direct d'OpenAlex

The paper considers the current state of the vegetable growing industry in Siberian Federal District over last quarter of a century. In the Siberian Federal District, 1.5 million tons of vegetables are produced annually, and according to rational food standards, 2.8-3 million tons are needed for the district population, i.e. 1.5 million tons should be brought in. Vegetable producing was rather stable in Siberian Federal District over 1990–2015. Novosibirsk, Omsk and Kemerovo regions and Altai and Krasnoyarsk territories are the main district suppliers of vegetable production for their own needs and other regions as well. Republics of Altai and Tuva do not produce vegetable cultures due to unfavorable nature-climatic conditions; they take the 11th and 12th places among Siberian regions. On the database of the Federal State Statistic Service over 25 years, there was analyzed use of land sown to vegetables, dynamics of vegetables croppage and productivity in the Russia Federation and Siberian Federal District. Vegetable crops productivity was influenced by advanced technologies of vegetable growing on covered soil such as hydroponics, drip irrigation and vertical vegetable growing. In modern greenhouse enterprises, productivity can reach up to 180 kg/m2. A series of factors limiting vegetable growing development is pointed out. Indicators of the industry development up to 2025 are calculated and measures for their achievement are suggested.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,733
Score d'incertitude au seuil0,344

Scores Codex et Gemma par catégorie

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

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 Opus0,011
Tête enseignante GPT0,206
Écart entre enseignants0,196 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSiberian Herald of Agricultural ScienceMême sujetAgricultural Development and PoliciesTravaux en français237 207