MétaCan
Menu
Retour à la cohorte
Enregistrement W6902705147 · doi:10.7273/000002421

Resilience of Food Farming in Rapidly Urbanizing Regions

2022· article· en· W6902705147 sur OpenAlex

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.

aboutLe titre ou le résumé porte un signal canadien du lexique géographique.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueWashington State University · 2022
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueUrban Agriculture and Sustainability
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAgroecologyResilience (materials science)Diversity (politics)Metropolitan areaFood systemsAgricultural biodiversityCrop diversityAgriculture

Résumé

récupéré en direct d'OpenAlex

Assessing the resilience of farm-level agroecosystems offers a way to inform the allocation of scarce resources needed to sustain local food production in rapidly urbanizing regions. Clark County, Washington, is an understudied part of the Portland–Vancouver metropolitan region, with sprawling development, fragmentation, changing farmer demographics, and a diversity of farm types. This case study sought to answer the following questions: 1) What are current and potential vulnerabilities for urban area food farms? 2) What will be needed to retain and enhance local food production capacity for the long term? and 3) What are useful indicators of environmental, economic, and social resilience for food-producing farms in rapidly urbanizing regions such as Clark County? A resilience theoretical framework and principles of agroecology guided design, data gathering, and analyses. Secondary data informed both the county-level and farm-level analyses. Compiled from several sources, a list of 100 farms was used to select a diversity of farms direct marketing fruits, vegetables, and/or nuts. Primary data collection included: semi-structured interviews and farming system assessments on 23 farms; two farmer roundtables; and participant observation in a broad spectrum of agriculture-focused activities. A farm resilience assessment framework comprising 29 indicators across agronomic, economic, environmental, and social realms was developed to gather, quantify, and analyze data from the study farms. Study farms were found to implement a diversity of innovative agroecological and marketing strategies to help overcome risks. Scores were highest for innovative farms producing a diversity of products for a diversity of markets while protecting the environment. While the literature suggests that diversity and direct marketing improve farm resilience and foster a sustainable local food movement, these results show that such characteristics are insufficient in themselves. Despite performing well by these criteria, 11 of the study farms no longer produce food commercially. Secondary data revealed a 16% reduction in cropland acres in the County (2012—2017). Over 6,000 acres of productive land was converted to urban and/or suburban development (2001—2016). To protect remaining agricultural capacity, this study found an urgent need to reshape local policies, public institutions, and support networks in accordance with stated farmer needs.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,277
Score d'incertitude au seuil0,270

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,173
Écart entre enseignants0,161 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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