MétaCan
Menu
Retour à la cohorte
Enregistrement W4318777674 · doi:10.3390/agriculture13020350

Improved Management of Grassland to Promote Sustainable Use Based on Farm Size

2023· article· en· W4318777674 sur OpenAlexaff
Xin He, Jingru Wei, Suhua Gu, Luping Wang, Zechen Tian, Danqiong Chen, Jiazhi Yuan

Notice bibliographique

RevueAgriculture · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRangeland Management and Livestock Ecology
Établissements canadiensCanada Research ChairsUniversity of TorontoUniversity of New Brunswick
Organismes subventionnairesInner Mongolia UniversityInner Mongolia University of Science and Technology
Mots-clésGrasslandOvergrazingBusinessAgroforestryLivestockChinaGrazingGrassland degradationResource (disambiguation)Environmental resource managementGeographyEnvironmental scienceEcologyForestry

Résumé

récupéré en direct d'OpenAlex

Grassland farms form the basis of grassland resource management in China. Farm sizes in China are generally small, which obviously increases the risk of grassland ecosystems. It is necessary to analyze the impact of farm size on grasslands from the perspective of livestock production in order to improve grassland management. This study combines field investigations and statistical analysis from 2004 to 2020, using a total of 126 farms from the Xilinguole League of Inner Mongolia in China as samples. These sample farms are divided into large farms and small farms. Different production scale and management behaviors are explored, along with their different impacts on grassland resources use. The results show that the expansion of farm size is constrained by the government management policies. Different behaviors are adopted by large and small farms in terms of finance, grassland circulation, and overgrazing management. The differentiation mechanisms of different farm size and the utilization of grassland resources are clarified in this study. This work suggests that managers promote sustainable use based on farm size and build appropriate policies to avoid future risks. The results of this study can provide a framework for solving similar problems.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,020

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,005
Tête enseignante GPT0,193
Écart entre enseignants0,189 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAgricultureMême sujetRangeland Management and Livestock EcologyTravaux en français237 207