Local Knowledge and Conservation of Seagrasses in the Tamil Nadu State of India
Notice bibliographique
Résumé
Local knowledge systems are not considered in the conservation of fragile seagrass marine ecosystems. In fact, little is known about the utility of seagrasses in local coastal communities. This is intriguing given that some local communities rely on seagrasses to sustain their livelihoods and have relocated their villages to areas with a rich diversity and abundance of seagrasses. The purpose of this study is to assist in conservation efforts regarding seagrasses through identifying Traditional Ecological Knowledge (TEK) from local knowledge systems of seagrasses from 40 coastal communities along the eastern coast of India. We explore the assemblage of scientific and local traditional knowledge concerning the 1. classification of seagrasses (comparing scientific and traditional classification systems), 2. utility of seagrasses, 3. Traditional Ecological Knowledge (TEK) of seagrasses, and 4. current conservation efforts for seagrass ecosystems. Our results indicate that local knowledge systems consist of a complex classification of seagrass diversity that considers the role of seagrasses in the marine ecosystem. This fine-scaled ethno-classification gives rise to five times the number of taxa (10 species = 50 local ethnotaxa), each with a unique role in the ecosystem and utility within coastal communities, including the use of seagrasses for medicine (e.g., treatment of heart conditions, seasickness, etc.), food (nutritious seeds), fertilizer (nutrient rich biomass) and livestock feed (goats and sheep). Local communities are concerned about the loss of seagrass diversity and have considerable local knowledge that is valuable for conservation and restoration plans. This study serves as a case study example of the depth and breadth of local knowledge systems for a particular ecosystem that is in peril.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».