MétaCan
Menu
Retour à la cohorte
Enregistrement W4283515699 · doi:10.1002/jeq2.20382

Envisioning the manureshed: Toward comprehensive integration of modern crop and animal production

2022· review· en· W4283515699 sur OpenAlexaff
Peter J. A. Kleinman, Sheri Spiegal, Maria L. Silviera, John M. Baker, Curtis J. Dell, Shabtai Bittman, Raj Cibin, Peter A. Vadas, Michael D. Buser, Teferi Tsegaye

Notice bibliographique

RevueJournal of Environmental Quality · 2022
Typereview
Langueen
DomaineEnvironmental Science
ThématiqueAgriculture Sustainability and Environmental Impact
Établissements canadiensAgriculture and Agri-Food Canada
Organismes subventionnairesnon disponible
Mots-clésManureBusinessAgricultureNutrient managementProductivityLivestockProduction (economics)Manure managementEnvironmental scienceNatural resource economicsAgricultural engineeringEconomicsAgronomyEngineeringBiologyEcology

Résumé

récupéré en direct d'OpenAlex

The specialization and intensification of agriculture have produced incredible gains in productivity, quality, and availability of agricultural commodities but have resulted in the separation of crop and animal production. A by-product of this separation has been the accumulation of manure regions where animal production is concentrated. Enter the "manureshed," an organizing framework for integrating animal and crop production where budgeting of manure nutrients is used to strategically guide their recycling and reuse in agricultural production systems where manure resources are of highest value. To move beyond regional nutrient balance analyses into the transformational realm required to mitigate "wicked" manure problems, manureshed management requires recognition of the challenges to systematically reorganizing resource flows. In better integrating crop and livestock systems, manureshed management must account for the unique nature of managing manure nutrients within individual livestock industries, anticipate trade-offs in substituting manure for commercial fertilizer, promote technologies to refine manure, and engage extensive social networks across scales that range from the farmgate to nation and beyond.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,993
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,074
Tête enseignante GPT0,341
Écart entre enseignants0,267 · 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.

Devis d'étudeAutre devis
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations19
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Environmental QualityMême sujetAgriculture Sustainability and Environmental ImpactTravaux en français237 207