Mapping for coral reef conservation: comparing the value of participatory and remote sensing approaches
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Detailed habitat maps are critical for conservation planning, yet for many coastal habitats only coarse‐resolution maps are available. As the logistic and technological constraints of habitat mapping become increasingly tractable, habitat map comparisons are warranted. Here we compare two mapping approaches: local environmental knowledge ( LEK ) obtained from interviews; and remote sensing analysis ( RS ) of high spatial resolution satellite imagery (2.0 m pixel) using object‐based image analysis. For a coral reef ecosystem, we compare the accuracy of these two approaches for mapping shallow seafloor habitats and contrast their characterization of habitat area and seascape connectivity. We also explore several implications for conservation planning. When evaluated using independent ground verification data, LEK ‐derived maps achieved a lower overall accuracy than RS ‐derived maps ( LEK : 66%; RS : 76%). A comparison of mapped habitats found low overall agreement between LEK and RS maps. The RS map identified 5.4 times more habitat edges (the border between adjacent habitat classes) and 3.7–6.4 times greater seascape connectivity. Since the spatial arrangement of habitats affects many species (e.g., movement, predation risk), such discrepancies in landscape metrics are important to consider in conservation planning. Our results help identify strengths and weakness of both mapping approaches for conservation planning. Because RS provided a more accurate estimate of habitat distributions, it would be better for conservation planning for species sensitive to fine‐spatial scale seascape patterns (e.g., habitat edges), whereas LEK is more cost effective and appropriate for mapping coarse habitat patterns. Goals for maps used in conservation should be identified early in their development.
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.
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 découle