Analyser et estimer les émissions de N2O dans les systèmes de grandes cultures français.
Bibliographic record
Abstract
Les émissions de N2O constituent la principale source d’émissions de gaz à effet de serre dans les systèmes de grandes cultures français. Néanmoins, ces estimations sont basées sur une méthode de référence (dite de niveau 1 et élaborée par le GIEC) dont la précision est relativement faible. Elle ne prend notamment pas en compte l’impact du pédoclimat ni des pratiques culturales (en dehors de la fertilisation azotée). Afin de contribuer à mettre au point une nouvelle méthode d’estimation, basée sur des données spécifiquement françaises (méthode dite de niveau 2) voire sur des modèles mécanistes (niveau 3), les objectifs du projet NO GAS étaient les suivants : (i) acquérir des données de référence sur une gamme relativement large de pédoclimats et de systèmes de culture, (ii) d'évaluer l’impact de certaines pratiques culturales sur les émissions de N2O et (iii) d'améliorer la calibration des modèles d’émissions directes de N2O. Sur les campagnes 2010-11 et 2011-12, un réseau de dix sites expérimentaux a été mis en place. Les données recueillies ont été organisées dans une base de données partagée par l’ensemble des partenaires du projet et d’autres contributeurs. Les données collectées ont permis de préciser l’impact du travail du sol, du drainage et de la fertilisation azotée sur les émissions de N2O. Elles ont aussi mis en avant l’effet prépondérant du climat et des caractéristiques du sol (notamment le pH) pour expliquer la variabilité des flux annuels de N2O à l’échelle du réseau. Ces données ont aussi servi à tester la capacité prédictive et améliorer la calibration des modules d’émissions directes de N2O de trois modèles : STICS, CERS-EGC et celui de l’outil Syst’N. Elles sont aussi actuellement utilisées pour mettre au point une méthode d’estimation de niveau 2, en collaboration avec le CITEPA.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".