Towards sustainable agricultural landscapes: Lessons from an interdisciplinary research-based framework applied to the Saint Lawrence floodplain
Notice bibliographique
Résumé
Floodplains are unique environments that provide a dynamic link between terrestrial and aquatic systems. Intensification of human activity – particularly agriculture and urbanisation – has resulted in the degradation of floodplains worldwide. Restoration and sustainable management of floodplains requires holistic assessment and compromise between stakeholders to successfully balance environmental, economic, and social benefits. Yet, understanding these complex systems sufficiently to provide evidence-based recommendations is a challenge. We present the lessons learned from establishing an interdisciplinary research-based framework on the agricultural floodplain of Lake Saint Pierre, Québec, Canada, whose mandate was to a) understand and define key environmental, agricultural, and socioeconomic attributes of the landscape, b) quantify the trade-offs and synergies between these attributes across different agricultural practices, regions, and land uses, and c) explore novel agri-environmental management practices to assess their role in sustainable floodplain management. Within this manuscript, we explore the benefits that such an approach offers in evaluating sustainable floodplain land use. We found that an interdisciplinary research-based approach demonstrated important benefits such as knowledge transfer, more efficient use of resources (e.g., personnel, funding), and a flexible yet robust research framework. A framework of individual research projects connected to broader interdisciplinary themes allowed a more holistic synthesis of the floodplain systems and assessment of agri-environmental practices. By implicitly considering spatial and social scales, we conceptualised not just how redistribution of the land use types can meet sustainable management objectives, but also explored how compromises within existing uses can optimise socio-economic, agricultural and environmental dimensions and move towards a sustainable multifunctional landscape.
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 | 0,023 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,013 | 0,068 |
| Communication savante | 0,024 | 0,008 |
| Science ouverte | 0,005 | 0,009 |
| Intégrité de la recherche | 0,005 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».