MétaCan
Menu
Back to cohort

O javali (>i<Sus scrofa>/i<) no Brasil: controle, prevenção e impactos econômicos

2022· dissertation· pt· W4281681958 on OpenAlexaff
Gustavo Dantas Lobo

Bibliographic record

Venuenot available
Typedissertation
Languagept
FieldBiochemistry, Genetics and Molecular Biology
TopicIdentification and Quantification in Food
Canadian institutionsImpact
Fundersnot available
KeywordsAnimal scienceBiology

Abstract

fetched live from OpenAlex

\n Nas últimas três décadas o Brasil presenciou de forma quase inerte a expansão da população do javali. Espécie exótica e invasora, o javali é considerado uma das 100 piores pragas agrícolas do mundo. Dotado de características excepcionais que propiciam alta adaptabilidade à quase qualquer bioma (alta reprodução, hábitos alimentares heterogêneos e falta de predador natural), o javali vem expandindo seu território, ocupando cerca de 30% dos municípios brasileiros. Além do impacto econômico direto na forma de predação de lavouras, o javali representa uma ameaça iminente, tanto em termos sanitários, uma vez que é depósito de inúmeras doenças, podendo comprometer a sanidade humana e dos rebanhos, quanto em termos ambientais, uma vez que compete por recursos com animais silvestres, contamina e assoreia nascentes e preda fauna e flora. Diante desse conflito entre fauna e seres humanos, mais acentuado pela questão do javali, é primordial refletir acerca de uma política de fauna pautada no manejo. É exatamente nesse ponto que a presente tese procura contribuir. Através das informações (escassas) relacionadas ao javali no Brasil, a presente tese representa um esforço em avaliar três aspectos primordiais do processo de invasão de uma espécie exótica: i) controle; ii) prevenção; iii) impacto econômico. Para tal, diversas estratégias foram adotadas. Para o controle, foram utilizadas informações dos relatórios de manejo afim de se identificar quais fatores relacionados ao engajamento de caça afetam a produtividade da caça. Tais resultados são fundamentais para pautar as decisões acerca das políticas de manejo. No campo da prevenção, foi construído um modelo com o intuito de definir áreas prioritárias, tanto para o controle quanto para a prevenção. Partindo do pressuposto que características edafoclimáticas e de uso da terra afetam a probabilidade de existência do javali e que quanto maior essa probabilidade, maiores as chances de prosperidade da espécie, aqueles municípios com alta probabilidade de presença e que já registraram a presença do javali foram classificados como prioridades para o controle. De forma análoga, aqueles que ainda não tem registro, mas que possuem alta probabilidade de ocorrência (ou seja, possuem as características adequadas para a prosperidade da espécie) são classificados como prioridade para a prevenção. Por fim, no âmbito dos impactos econômicos, foi construído um modelo de dinâmica de sistemas capaz de relacionar a dinâmica populacional do javali e sua relação com os impactos econômicos e com o esforço de controle. Um modelo desse tipo possui alta adequabilidade, interatividade e simplicidade, podendo ser aplicado a qualquer município para uma aferição rápida dos impactos econômicos oriundos da presença do javali. Vale ainda ressaltar o esforço realizado para captar as percepções de agentes relacionados à agropecuária em relação ao fenômeno de invasão do javali. Para tal, foram aplicados 228 questionários online buscando evidenciar questões como os impactos relacionados ao javali e os principais desafios para o controle. Os resultados reforçam as externalidades negativas oriundas da presença do javali e a necessidade de aprimoramento da política de fauna no Brasil, em especial a exótica.\n

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 distilled prediction

Teacher imitation

Not 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.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.001
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow), Research integrity, Insufficient payload (model declined to judge)
Consensus categoriesInsufficient payload (model declined to judge)
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Bench or experimental · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.590
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0010.001
Meta-epidemiology (narrow)0.0010.001
Meta-epidemiology (broad)0.0010.001
Bibliometrics0.0000.001
Science and technology studies0.0010.000
Scholarly communication0.0010.000
Open science0.0020.000
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0170.003

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.

Opus teacher head0.016
GPT teacher head0.294
Teacher spread0.278 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; both teacher heads agree on what is shown here.

Study designBench or experimental
Domainnot available
GenreEmpirical

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".

Quick stats

Citations1
Published2022
Admission routes1
Has abstractyes

Explore more

Same topicIdentification and Quantification in FoodFrench-language works237,207