A reconstruction of the Indigenous maize farming niche of Utah
Notice bibliographique
Résumé
• Machine learning reconstructs the Indigenous maize farming niche of Utah. • Early Utah farmers balanced elevation-driven precipitation and the growing season. • Farmers mitigate this trade-off by diverting perennial streams in drier regions. • Early Utah farmers settled in an ideal distribution model way. Maize ( Zea mays L . ) was one of the most widespread domesticated plants in the Americas before European colonization. Despite its widespread distribution, explaining how and why ancient maize farming spread into the northern reaches of the American Southwest remains a central research question in archaeology. To understand how ancient maize spread, we need a comprehensive suitability model for maize agriculture that incorporates multiple ecological variables to accurately predict where maize farming was suitable. In this paper, we construct a species distribution model for maize, using a novel machine learning approach from ecology, to produce a suitability model for Indigenous maize agriculture in Utah (ca. 3200–500 calBP). We then explore the variation in the suitability of maize farming settlements over time. Results suggest that Indigenous maize farmers selected settlement locations to minimize the distance to perennial streams and to balance the elevation-driven trade-off between growing degree days and precipitation. By comparing locations best suited for maize agriculture over time and relative to estimates of past population density, we suggest Indigenous maize farmer settlement patterns throughout the northwestern limit of ancestral maize farming follow predictions from an ideal distribution model, where increasing competition drove farmers into less suitable farming habitats. These results help elucidate the environmental and demographic patterns that influenced the spread of Indigenous maize farming.
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 | 0,002 | 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 | 0,005 |
| 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) | 0,000 | 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 ».