Chapter 8Effects of the cultivation of genetically modied Bt crops on nontarget soil organisms
Notice bibliographique
Résumé
Table 8.1 Global Area of Genetically Modied Crops in 2010: By Country (million hectares)Rank Country Area(million hectares) Biotech crops1 United States 66.8 Maize, soybean, cotton, canola, sugar beet, alfalfa, papaya, squash2 Brazil 25.4 Soybean, maize, cotton 3 Argentina 22.9 Soybean, maize, cotton 4 India 9.4 Cotton 5 Canada 8.8 Canola, maize, soybean, sugar beet 6 China 3.5 Cotton, tomato, poplar, papaya, sweet pepper 7 Paraguay 2.6 Soybean 8 Pakistan 2.4 Cotton 9 South Africa 2.2 Maize, soybean, cotton10 Uruguay 1.1 Soybean, maize 11 Bolivia 0.9 Soybean 12 Australia 0.7 Cotton, canola 13 Philippines 0.5 Maize 14 Myanmar 0.3 Cotton 15 Burkina Faso 0.3 Cotton 16 Spain 0.1 Maize 17 Mexico 0.1 Cotton, soybean 18 Columbia <0.1 Cotton 19 Chile <0.1 Maize, soybean, canola 20 Honduras <0.1 Maize 21 Portugal <0.1 Maize 22 Czech Republic <0.1 Maize, potato 23 Poland <0.1 Maize 24 Egypt <0.1 Maize 25 Slovakia <0.1 Maize 26 Costa Rica <0.1 Cotton, soybean 27 Romania <0.1 Maize 28 Sweden <0.1 Potato 29 Germany <0.1 Potatoand Saxena, 2009). Since the commercial introduction of GM plants, the acreage dedicated to GM crop cultivation has increased each year, such that the majority of all major crop plants grown in the United States-soybean, cotton, and maize-are genetically engineered (U.S. Department of Agriculture [USDA], 2010). Developing countries also continue to increase their share of global GM crop production and now account for almost half (46%) of the global hectarage of GM crops (James, 2010). This rapid and widespread adoption of GM crops has led to a dramatic shift in the agricultural landscape since the mid-1990s and has raised questions about the impact of agricultural biotechnology on nontarget organisms in the soil environment.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 tête enseignante, 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 ».