Projet FarmLand : Quel est le rôle de l'hétérogénéité spatiale de la mosaïque des cultures sur la biodiversité et les services écosystémiques?
Bibliographic record
Abstract
L'écologie du paysage s'est intéressée à l'hétérogénéité spatiale et temporelle des paysages comme facteur déterminant de la biodiversité. Il a notamment été montré que les paysages agricoles qui contiennent plus d'habitats semi-naturels sont susceptibles de présenter une biodiversité plus élevée. Cependant, en Europe, et à l'échelle du paysage, le rôle des éléments cultivés a jusqu'à aujourd'hui été peu étudié.Le projet de recherche FarmLand, qui rassemble des équipes du Canada, de France, d'Allemagne, du Royaume Uni et d'Espagne, repose sur l’hypothèse que la biodiversité et les services qu’elle peut rendre aux agriculteurs (pollinisation, contrôle des ravageurs), sont favorisés lorsque la diversité de cultures et leur alternance dans l’espace augmentent.En Ille-et-Vilaine, 30 paysages de 1km2 ont été sélectionnés, répartis selon deux gradients indépendants de diversité des cultures (nombre de cultures différentes) et de configuration des cultures (taille moyenne des parcelles). En mai et juin 2013, des échantillonnages de la biodiversité, ainsi que des expérimentations visant à évaluer le potentiel de pollinisation et de contrôle biologique, seront mis en place sur l'ensemble des paysages sélectionnés.
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 | 0.003 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
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".