Mapping the global mass flow of seaweed: Cultivation to industry application
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
Abstract The global flows of cultivated seaweed were estimated for the year 2019 using a combination of literature review, assumptions, and simple conservation of mass calculations. Red seaweeds were found to be the largest contributors to the hydrocolloids industry, for both food and non‐food applications. Carrageenan‐containing species were found to be the largest contributors to both food (62%) and non‐food (55%) hydrocolloids and are the primary source for water gels, which make up 27% of non‐food hydrocolloids, followed by pet food (16%), toothpaste (6%), and others (6%). Carrageenan also accounts for almost all meat products, which make up 35% of the food hydrocolloid industry, and dairy products, which make up 26%. Agar‐containing seaweeds are used in confections (10% of food hydrocolloids), baking (9%), and other (2%) and make up 15% of non‐food hydrocolloids. Porphyra (nori) is cultivated for direct consumption and makes up 23% of direct food consumption. Cultivated brown seaweeds were found to comprise Laminaria/Saccharina for alginate production (30%), Laminaria/Saccharina for direct consumption (44%), and Undaria for direct consumption (16%). About half of the alginates produced make up 18% of food hydrocolloids, and the other half is used in non‐food hydrocolloids comprising technical grades (28% of non‐food) and animal feed (3%). The results are discussed in the context of emerging markets for seaweed and the potential for seaweeds as a substitute for staple foods, and the environmental impact of seaweed farming is explored through a review of life cycle assessment studies.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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