Elevating the role of water resilience in food system dialogues
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Ensuring resilient food systems and sustainable healthy diets for all requires much higher water use, however, water resources are finite, geographically dispersed, volatile under climate change, and required for other vital functions including ecosystems and the services they provide. Good governance for resilient water resources is a necessary precursor to deciding on solutions, sourcing finance, and delivering infrastructure. Six attributes that together provide a foundation for good governance to reduce future water risks to food systems are proposed. These attributes dovetail in their dual focus on incorporating adaptive learning and new knowledge, and adopting the types of governance systems required for water resilient food systems. The attributes are also founded in the need to greater recognise the role natural, healthy ecosystems play in food systems. The attributes are listed below and are grounded in scientific evidence and the diverse collective experience and expertise of stakeholders working across the science-policy interface: Adopting interconnected systems thinking that embraces the complexity of how we produce, distribute, and add value to food including harnessing the experience and expertise of stakeholders s; adopting multi-level inclusive governance and supporting inclusive participation; enabling continual innovation, new knowledge and learning, and information dissemination; incorporating diversity and redundancy for resilience to shocks; ensuring system preparedness to shocks; and planning for the long term. This will require food and water systems to pro-actively work together toward a socially and environmentally just space that considers the water and food needs of people, the ecosystems that underpin our food systems, and broader energy and equity concerns.
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.
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 | 0,001 | 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 | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle