Using a co-occurrence index to capture crop tolerance to climate variability: a case study of Peruvian farmers
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Los pequeños agricultores peruanos de la región montañosa de los Andes han enfrentado históricamente una amplia variabilidad climática (de año a año y en la temporada de cultivo). Los conocimientos y prácticas tradicionales, incluida la diversificación de la cartera de cultivos y la selección de cultivos tolerantes, apuntan a salvaguardar la seguridad alimentaria incluso en los años “malos” cuando se materializan los riesgos relacionados con el clima o el mercado. A pesar de este conocimiento y experiencia históricos, los cambios climáticos acelerados plantean nuevos desafíos, frente a los que los agricultores luchan por adaptarse, especialmente debido a la falta de información oportuna y de recursos financieros y físicos. Comprender cómo los agricultores se están adaptando de forma autónoma es una necesidad pendiente, para poder informar a los responsables de las políticas sobre los cuellos de botella y las prácticas sostenibles que pueden fortalecerse para apoyar la adaptación eficiente. Este estudio se centra en un tipo de adaptación: seleccionar cultivos que parecen ser más tolerantes a condiciones climáticas variables. Los autores usan el índice de co-ocurrencia de Fridley et al. (2007), que mide la amplitud del nicho ecológico de una especie, para estimar la tolerancia relativa de los cultivos a un rango de condiciones ambientales. Utilizando datos del censo (paneles distritales de 1994 y 2012), estiman la tolerancia de cultivos para 252 cultivos en diversas condiciones ambientales en todo el país, desde las regiones montañosas de los Andes hasta las regiones costeras y selva amazónica. Los investigadores prueban la idoneidad del índice de cultivo para capturar la tolerancia del cultivo a condiciones climáticas variables (temperatura máxima, mínima y promedio, y precipitación) utilizando dos definiciones de variabilidad climática. Encuentran la correlación positiva esperada entre el índice y la variabilidad climática, lo que confirma la idoneidad del índice para capturar la tolerancia relativa a la variabilidad climática. También empíricamente aplican el índice para explorar el papel de la variabilidad climática intraestacional (durante la temporada de crecimiento) en la tolerancia relativa de la cartera de cultivos de los agricultores. Aunque se necesitan más análisis para modelar por completo las decisiones de los agricultores, nuestras estimaciones preliminares muestran que los agricultores ajustan sus carteras para incluir cultivos más tolerantes cuando enfrentan una mayor variabilidad climática.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 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 it