Bibliographic record
Abstract
In deze notitie geven we een overzicht van het gebruik van gewasbeschermingsmiddelen (GBM) en de milieubelasting in de teelt van Nederlandse consumptie-aardappelen, tussen 2017-2022. Gebruikte dataIn Nederland zijn in 2022 circa 163.000 hectare (ha) aardappelen geteeld, waarvan ongeveer 77.000 ha consumptie-aardappelen.Zetmeelaardappelen en pootgoed laten we in deze notitie buiten beschouwing.De cijfers van de gebruikte hoeveelheden GBM (in kg werkzame stof per ha) komen uit het BedrijvenInformatieNet (BIN) van Wageningen Social & Economic Research (WSER).In BIN delen 1.500 land-en tuinbouwbedrijven hun financiële cijfers en duurzaamheidsgegevens met WSER 1 .WSER beschikt over registraties van uitgevoerde bespuitingen en grondbehandelingen in consumptieaardappelen van 85-96 2 akkerbouwbedrijven op kleigrond, en 29 tot 36 bedrijven op zandgrond.Het gaat hierbij om tafel-, koelvers-en frites-aardappelen, die in 2022 op ongeveer 77.000 ha werden geteeld.Een klein deel hiervan betreft tafelaardappelen, vooral geteeld op kleigrond.Bespuitingen in zetmeelaardappelen en pootgoed zijn niet inbegrepen in de cijfers.De omrekening naar milieubelastingpunten is uitgevoerd door CLM met de CLM-Milieumeetlat.Deze Milieumeetlat kent punten toe voor de belasting van grondwater, bodem-en waterleven, gebaseerd op gegevens over persistentie, mobiliteit en toxiciteit uit de toelatingsdossiers van een middel.Bronnen voor informatie over toelatingen en Candidates for Substitution (CfS): College voor Toelating van Gewasbeschermingsmiddelen en biociden (CTGB) en de Europese Autoriteit voor voedselveiligheid (EFSA).
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.494 | 0.242 |
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".