Resilience of Food Farming in Rapidly Urbanizing Regions
Notice bibliographique
Résumé
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| 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 ».