What are the impacts of within-field farmland management practices on the flux of greenhouse gases from arable cropland in temperate regions? A systematic map protocol
Notice bibliographique
Résumé
Abstract Background Reducing greenhouse gas emissions is a vital step in limiting climate change and meeting the goals outlined in the COP 21 Paris Agreement of 2015. Studies have suggested that agriculture accounts for around 11% of total greenhouse gas emissions and the industry has a significant role in meeting international and national climate change reduction objectives. However, there is currently little consensus on the mechanisms that regulate the production and assimilation of greenhouse gases in arable land and the practical factors that affect the process. Practical advice for farmers is often overly general, and models based on the amount of nitrogen fertiliser applied, for example, are used despite a lack of knowledge of how local conditions affect the process, such as the importance of humus content and soil types. Here, we propose a systematic map of the evidence relating to the impact on greenhouse gas flux from the agricultural management of arable land in temperate regions. Methods Using established methods for systematic mapping in environmental sciences we will search for, collate and catalogue research studies relating to the impacts of farming in temperate systems on greenhouse gas emissions. We will search 6 bibliographic databases using a tested search string, and will hand search a web-based search engine and a list of organisational web sites. Furthermore, evidence will be sought from key stakeholders. Search results will then be screened for relevance at title, abstract and full text levels according to a predefined set of eligibility criteria. Consistency checking will be employed to ensure the criteria are being applied accurately and consistently. Relevant studies will then be subjected to coding and meta-data extraction, which will be used to populate a systematic map database describing each relevant study’s settings, methods and measured outcomes. The mapping process will help to identify knowledge gaps (subjects lacking in evidence warranting further primary research) and knowledge clusters (subjects with sufficient studies to allow a useful full systematic review), and will highlight best and suboptimal research methods.
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 | 0,090 | 0,140 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,007 | 0,008 |
| Bibliométrie | 0,038 | 0,023 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,005 | 0,008 |
| Intégrité de la recherche | 0,005 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,040 | 0,008 |
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 ».