MétaCan
Menu
Retour à la cohorte
Enregistrement W2910303651 · doi:10.5539/jas.v11n2p40

Assessment of Vulnerability of Natural Grasslands That Are Used as Pastures: Russia’s Example

2019· article· en· W2910303651 sur OpenAlexvenueno aff
I. P. Aidarov, А. А. Завалин, Yu. N. Nikol’skii, Cesáreo Landeros-Sánchez, V. V. Pchyolkin, S. Montero-Aguirre

Notice bibliographique

RevueJournal of Agricultural Science · 2019
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgricultural Productivity and Crop Improvement
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésGrasslandEnvironmental sciencePastureSteppeNatural (archaeology)ProductivityAgroforestryVegetation (pathology)EcologyGeographyForestryBiology

Résumé

récupéré en direct d'OpenAlex

Natural grasslands that are used as pastures have great importance for animal husbandry. Unfortunately, because of various reasons, the productivity of natural pastures can decline with time. The methodology to predict possible long-term change of the basic properties of natural pastures depending on the pasture load is considered in the present paper. The simulation models and the results of their application for the conditions of use of natural pastures in the steppe zone of Russia are presented. The models take into account the following aspects: biodiversity of plant species in the grassland, capacity of ecological niche, vegetation productivity of grassland, climatic conditions, soil fertility, pasture load, surface slope, intensity of water and wind soil erosion, projective surface coverage, and ecological sustainability of the grassland. The analysis resulted from the proposed models in the examples of practical application showed that the described methodology could be used to develop the necessary measures for sustainable and intensive use of natural grasslands.

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)0,000
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: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,022
Tête enseignante GPT0,257
Écart entre enseignants0,236 · 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

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural ScienceMême sujetAgricultural Productivity and Crop ImprovementTravaux en français237 207