Simulating Deforestation in Minas Gerais, Brazil, under Changing Government Policies and Socioeconomic Conditions
Notice bibliographique
Résumé
Agricultural expansion is causing deforestation in Minas Gerais, Brazil, converting savanna and tropical dry forest to farmland, and in 2012, Brazil's Forest Code was revised with the government reducing deforestation restrictions. Understanding the effects of policy change on rates and locations of natural ecosystem loss is imperative. In this paper, deforestation in Minas Gerais was simulated annually until 2020 using Dinamica Environment for Geoprocessing Objects (Dinamica EGO). This system is a state-of-the-art land use and cover change (LUCC) model which incorporates government policy, landscape maps, and other biophysical and anthropogenic datasets. Three studied scenarios: (i) business as usual, (ii) increased deforestation, and (iii) decreased deforestation showed more transition to agriculture from shrubland compared to forests, and consistent locations for most deforestation. The probability of conversion to agriculture is strongly tied to areas with the smallest patches of original biome remaining. Increases in agricultural revenue are projected to continue with a loss of 25% of the remaining Cerrado land in the next decade if profit is maximized. The addition of biodiversity value as a tax on land sale prices, estimated at over $750,000,000 USD using the cost of extracting and maintaining current species ex-situ, can save more than 1 million hectares of shrubland with minimal effects on the economy of the State of Minas Gerais. With environmental policy determining rates of deforestation and economics driving the location of land clearing, site-specific protection or market accounting of externalities is needed to balance economic development and conservation.
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 | 0,000 | 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 | 0,000 |
| 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 ».