Population pressure and global markets drive a decade of forest cover change in Africa's Albertine Rift
Notice bibliographique
Résumé
Africa's Albertine Rift region faces a juxtaposition of rapid human population growth and protected areas, making it one of the world's most vulnerable biodiversity hotspots. Using satellite-derived estimates of forest cover change, we examined national socioeconomic, demographic, agricultural production, and local demographic and geographic variables, to assess multilevel forces driving local forest cover loss and gain outside protected areas during the first decade of this century. Because the processes that drive forest cover loss and gain are expected to be different, and both are of interest, we constructed models of significant change in each direction. Although rates of forest cover change varied by country, national population change was the strongest driver of forest loss for all countries – with a population doubling predicted to cause 2.06% annual cover loss, while doubling tea production predicted to cause 1.90%. The rate of forest cover gain was associated positively with increased production of the local staple crop cassava, but negatively with local population density and meat production, suggesting production drivers at multiple levels affect reforestation. We found a small but significant decrease in loss rate as distance from protected areas increased, supporting studies suggesting higher rates of landscape change near protected areas. While local population density mitigated the rate of forest cover gain, loss was also correlated with lower local population density, an apparent paradox, but consistent with findings that larger scale forces outweigh local drivers of deforestation. This implicates demographic and market forces at national and international scales as critical drivers of change, calling into question the necessary scales of forest protection policy in this biodiversity hotspot. Using a satellite derived estimate of forest cover change for both loss and gain added a dynamic component to more traditionally static and unidirectional studies, significantly improving our understanding of landscape processes and drivers at work.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».