Increased avian bioacoustic diversity without lost profit after planting perennial vegetation in marginal cropland
Notice bibliographique
Résumé
Expansion of arable cropland and intensification of agriculture has driven substantial losses of habitat, biodiversity, and ecosystem services. Balancing biodiversity conservation and environmental priorities with farm economics and food production is particularly challenging. However, many areas of crop fields contain marginal, wet, or saline soils that consistently produce relatively low crop yields. These suboptimal growing areas may be ideal targets for perennial restoration to address biodiversity conservation goals without reducing crop yield and profitability. We tested the value of restoring marginal areas within 20 treatment fields and 31 matched reference fields (65 ha) growing primarily canola, cereal, and legume crops in Saskatchewan, Canada. Using prior-year yield maps, we asked participating producers to delineate and convert 10-20% of their crop fields to a diverse forage grass mix near low yielding wetlands and/or marginal saline areas, and then compared these to matched nearby reference fields that were cropped as usual. We tracked changes in acoustic biodiversity and crop yields over the next three years. Autonomous recording units (ARUs) recorded over 2450 hours of environmental soundscapes in treatment and reference fields. Multiple bioacoustic diversity indices (bioacoustics index (BIO), acoustic diversity index (ADI), and normalized difference soundscape index (NDSI)) significantly increased in treatment relative to reference fields, with the most substantial increases from the first to second year after planting. Total field level crop yields were reduced on average by 9% in treatment fields which was less than the 14% area converted, and producer profitability did not differ between treatment and reference fields. This suggests that restoring marginal areas within cropland adds landscape diversity and is a nature-based solution to address biodiversity loss from agriculture that has significant promise to provide environmental, economic, and agronomic benefits.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».