Perception of tools for assessing on-farm nutrient losses and mitigation options
Notice bibliographique
Résumé
This research focuses on the prominent issue of degraded water quality in New Zealand caused by the intensification of agricultural land use, resulting in increased levels of diffuse pollutants such as sediment, nitrogen and phosphorus in waterways (Duncan, 2017). Degraded water quality is a critical issue that needs to be addressed both socially and scientifically. It needs to be addressed socially as human behaviour is influencing this degradation, and the science is needed to further our understanding and implementation of the best mitigation solutions. The aim of this study was to evaluate how information surrounding potential nutrient mitigation measures provided by decision support tools is understood and interpreted by farmers facing tightening environmental regulations and a changing social outlook on environmental sustainability. To achieve this aim, the following activities were conducted: (i) A review of current theories and tools available to understand and encourage pro-environmental behaviour. (ii) A case study using the Land Utilisation Capability Indicator (LUCI) model to determine stakeholder engagement was carried out through interviews with 6 farmers in the Mangatarere Catchment. The review showed that while information alone does not drive behaviour change, it is an essential component that when used in collaboration with other methods and incentives, can be very successful (Kennedy, 2010; Mackenzie-Mohr, 2000; Stern, 2000). From this review a method that was identified as having huge potential in terms of managing water quality was the use of land use models alongside targeted on-farm advice (Bouraoui & Grizzetti, 2014). To understand the stakeholder perception and uptake of the information this method provides a case study was carried out using the LUCI model with 6 farmers in the Mangatarere Catchment. The results showed that LUCI proved to be a valuable tool for both the case study farmers and the wider farming community. Farmer feedback highlighted the importance of ensuring that information provided by such tools is communicated in a consolidated manner. This thesis shows that land use models such as LUCI have the potential to be a beneficial method of engaging stakeholders in prominent issues such as degrading water quality.
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 | 0,011 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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.
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 ».