Les cultures intermédiaires pour une production agricole durable
Bibliographic record
Abstract
/ La présence de nitrate en excès dans les eaux de surface et les nappes phréatiques posent des problèmes de santé publique et de dégradation de l'environnement. L'une des solutions est la culture intermédiaire : une culture implantée entre deux récoltes de cultures principales. Un guide aux éditions Quae fait la synthèse des connaissances scientifiques à ce sujet.\nCette étude, commanditée par les ministères de l'Agriculture et de l'Environnement, vise à évaluer l'efficacité de ces cultures intermédiaires pour piéger les nitrates du sol durant l'interculture et avant leur transfert vers les eaux. Elle fait aussi le point sur les autres services écosystémiques rendus par les cultures intermédiaires : protection des sols contre l'érosion hydrique, séquestration de carbone dans les sols, impact sur les émissions de gaz à effet de serre, contribution au contrôle des maladies et ravageurs, etc. Près de 1,4 millions de simulations ont été réalisées et permettent de préciser les conditions de mise en place de ces cultures intermédiaires.\nLe guide a été réalisé sous l'impulsion d'un collectif d'experts, constitué de chercheurs représentant diverses disciplines (sciences du sol, agronomie, droit,...) et appartenant aux organismes de recherche ou d'enseignements supérieurs suivants : Inra, Irstea, ENSAT, Université de Toulouse, Agroscope (Suisse). Des experts de terrain des instituts techniques et des chambres d'agriculture ont également été consultés.
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 | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 0.006 |
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".