Atouts et besoins en innovations du tournesol pour une agriculture durable.
Notice bibliographique
Résumé
For the last 20 years, sunflower world acreages have largely increased. In 2010, they reached 24 million hectares. Two thirds are located in Europe (4 million hectares), in Russia and Ukraine (11.3 million hectares) where the acreage can still expand a lot. This situation is favourable for research, breeding, seeds production, exchange…all the more that sunflower price seems well oriented and that its oil is globally well appreciated. In France, sunflower has other assets: oleic varieties on more than 50% surfaces, well organized supply chain, main seeds companies research centres, involvement of INRA, good adaptation to the environmental requirements. But, for 20 years, mean seed yields have lightly increased which contributed to a large fall of the acreages (now stabilized to 700 000 hectares) and to their concentration in two regions: South-West and West-Atlantic. Productivity improvement seems essential: it first needs the breeding of high yielding varieties with a good disease tolerance but also the setting of complete crop management system (variety, date of sowing, planting density…) adapted to different situations. Because of the environmental context, it seems necessary to carry out studies on the new systems for weed control with post emergence herbicides, mechanical weed control, wheatsunflower intercrop cultivation and adaptation to climate change. As far as oilseed processing and outlets are concerned, several research points should be considered to ensure the sustainability of this crop.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,041 | 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 ».