Estimating spatial interactions in deforestation decisions
Notice bibliographique
Résumé
Introduction Ongoing decreases in the stock of tropical forest have long been a major concern, due to their implications for biodiversity loss and provision of ecosystem services. Ecological research also provides evidence that even if the stock is held constant, the spatial pattern of forest affects the level of services generated (McCoy and Mushinsky 1994; Twedt and Loesch 1999; Diaz et al. 2000; Parkhurst et al . 2002; Coops et al . 2004; Scull and Harman 2004). A highly fragmented forest made up of small patches may not provide the minimum habitat size that some organisms require. Thus it may offer less protection for species than the same amount of unfragmented forest. It is then important to understand the effects of human activities that fragment standing forest and, as a result, alter the size, the shape, and also the spatial arrangement of habitat. These properties of habitat affect extinction rates of local populations. Standard economic models of rural land use (e.g. agriculture/forest frontiers) will generate predictions of spatial pattern down to the level of detail that their data permit. However, a focus on spatial pattern highlights a question these models do not address: are there spatial dynamics per se ? If we look behind observed spatial correlation, do one's land-use choices actually have any causal impacts upon those made by one's neighbours? This chapter presents a model of such spatial interactions and then discusses a method to empirically test for their presence using observed deforestation behaviour.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».