Assessing the Environmental Impacts of Banana Farming in Yogyakarta Special Region Using Life Cycle Assessment (LCA)
Notice bibliographique
Résumé
Indonesia is one of the largest banana producers in Asia, with an annual production of 9.34 million tons, including 809,976 quintals from Yogyakarta in 2022, making banana cultivation an important sector.This study evaluates the environmental impact of banana cultivation in the Special Region of Yogyakarta using the Life Cycle Assessment (LCA) approach with the IMPACT 2002+ method.The research sample involved 80 farmers and 4 distributors from two main regions.The analysis focused on four main categories: human health, ecosystem quality, climate change, and resource consumption, which are the core elements of the IMPACT 2002+ method.Farmers' environmental awareness was assessed based on seven indicators, including land and water management, as well as the use of fertilizers and pesticides.The results showed that NPK fertilizer is the main contributor to climate change, accounting for 92.3% of greenhouse gas emissions (4.48E4 kg CO2 eq).A shift to organic fertilizers is estimated to reduce emissions by up to 30%.Meanwhile, distribution activities accounted for 87.3% of resource consumption (6.07E5 MJ primary) due to the use of fossil fuels.These findings highlight the importance of transitioning to sustainable practices, such as the use of organic fertilizers and optimizing local distribution networks.This study provides a basis for agricultural policies that support ecosystem balance and climate change mitigation.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».