Learning lessons from China’s forest rehabilitation efforts : national level review and special focus on Guangdong Province
Notice bibliographique
Résumé
Rehabilitation of degraded forest lands has been ongoing in China for centuries. Efforts intensified from the 1980s as forest resources became scarcer and environmental problems worsened. This report presents the main results of a study assessing past and ongoing rehabilitation efforts through a national-level review and more detailed analysis for one province, Guangdong. In Guangdong, a provincial-level review was followed by an analysis of 22 cases and a multi-stakeholder consultative workshop. The initiatives ranged from large national and provincial government projects to state forest farm efforts, city landscape projects, private sector and joint initiatives. They differed in objectives, costs, implementation strategies, institutional arrangements and incentives offered to local people. The whole country, including Guangdong province has witnessed increased forest cover since the 1980s. But many rehabilitation sites have poor growth and stocking; and are highly susceptible to pests, diseases and fire. Both positive and negative environmental and socio-economic outcomes have been reported but systematic monitoring and evaluation has been limited. The private sector including household forest farms benefited from timber production where restraints such as high taxes and fees and harvesting quotas were absent or removed. Elsewhere, they found it easier to benefit from fruits and other non-timber products. In ecological forest sites, government compensation payments were far below the opportunity costs for use of the resources. Many large government projects could not maintain the rehabilitated areas in the long-term given a lack of sustained funding, active local participation and ownership. Locally-driven initiatives sensitive to local needs, site and market conditions tend to be more viable. Adequate benefit flow to local people, secure tenure rights over resources, and mutually-beneficial partnerships and institutional arrangements also help sustainability of the efforts. The report provides key recommendations for the relevant stakeholders to support, plan, implement and sustain forest rehabilitation in Guangdong and China overall.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».