A safe agricultural space for biodiversity
Notice bibliographique
Résumé
Agriculture is the main driver of the rapid collapse of biodiversity, upon which all life on Earth, including agricultural production, depends. As we face the challenge of feeding a growing human population under a changing climate regime, the pressure on biodiversity is expected to further intensify. While the potential to expand and improve natural habitats for biodiversity conservation has been widely explored in large-scale scenarios of agricultural systems, the critical role of agricultural landscapes’ management on halting the loss of biodiversity remains unexplored at this scale. We argue that, to achieve an effective conservation of biodiversity (both natural and agricultural), the combined multivariate effects of agriculture on biodiversity must be accounted for, including its surface area as well as its management. Based on a literature review, we identified the main biodiversity pressures stemming from agriculture: land-use change, contribution to climate change, water withdrawal, pesticide pollution, nutrient (nitrogen and phosphorus) pollution, and landscape and farm-scale simplification (of croplands and pastures). For each one, we proposed a critical boundary, based on reviews of studies covering a range of taxa, biodiversity metrics, and biomes, below or above which negative impacts on biodiversity are minimized or positive effects arise. Implemented simultaneously, the identified boundaries would integrate biodiversity conservation within and across farmlands and minimize agriculture’s far-reaching impacts on biodiversity. We present a framework called “agricultural boundaries for biodiversity” that will allow to explore the potential of developing agricultural systems that effectively reconcile food production and biodiversity conservation at large scales.
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 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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».