Percepção do impacto de eventos extremos sobre a produção pela população do estuário Amazônico
Bibliographic record
Abstract
Mudanças climáticas e processos de adaptação à essas mudanças têm sido foco de inúmeras pesquisas. Na Amazônia, a pesquisa tem focado principalmente na análise da interação entre desmatamento. Com objetivo de analisar a percepção sobre mudanças climáticas e o impacto em relação vários tipos de eventos para população de várzea do estuário Amazônico foram entrevistados com base em 239 entrevistas semiestruturadas. Os entrevistados relatam que o impacto de temperatura mais altas, muita chuva e grandes marés afetam a produção negativamente enquanto temperatura mais baixa que o normal, pouca chuva e baixa maré, para a maioria, não afeta a produção. Uma das principais atividades da região é a extração do açaí e estima-se que o impacto da temperatura mais alta do que um ano normal reduza a producao em em média em 45%. Em relação à pesca, em torno de metade informa que a temperatura reduz a produção. Também a maré alta afeta a pesca e a intensidade maior de chuvas afeta a produção de mandioca. Ainda há pouca visão de como reduzir esses efeitos mas um grupo menor acredita que reduzir desmatamento e reflorestar beneficiaria a produção do açaí. Com base na percepção do impacto de eventos extremos sobre a produção é possível antecipar os impactos de longo prazo de mudanças climáticas e melhor preparar a população para ações mitigadoras.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.004 | 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".