Full and effective participation of indigenous peoples in forest monitoring for reducing emissions from deforestation and forest degradation (<scp>REDD</scp>+): trial in Panama's Darién
Notice bibliographique
Résumé
Abstract A primary technical requirement of the climate change mitigation mechanism, reducing emissions from deforestation and forest degradation ( REDD +), is to calculate emissions factors , that is, the amount of CO 2 emissions or removals per hectare from land use and land‐use change. Emissions factors are calculated from baseline estimates of the aboveground biomass ( AGB ) stored in different vegetation types. Ground‐based methods for estimating AGB , such as forest inventories, despite being relatively accurate and necessary for calibrating remotely sensed data such as satellite or airborne Light Detection and Ranging, tend to be expensive and time‐consuming. Thus, calls have been made to improve the cost‐efficiency of these methods within the context of REDD +. Also as part of REDD +, there have been calls for the legitimate inclusion of indigenous peoples and rural communities in various aspects of the mechanism. To address both of these issues, we devised a participatory, rapid, forest inventorying method and tested it across the heterogeneous forest landscape of Darién, Panama. This effort took place within a project that was administratively and logistically managed entirely by an indigenous organization working in collaboration with indigenous authorities in Darién, with funding from the World Bank. A group of 24 indigenous technicians were trained on forest inventorying methods. They established and measured thirty 1‐ha plots under our direct supervision. We tested for various sources of error in tree diameter and height measurements. We also tested the scalability of our tree‐level biomass estimates to the plot level by comparing our results with simulations conducted on the Barro Colorado Island 50‐ha permanent plot data. Results indicate that our rapid, participatory, forest inventorying method effectively captures plot‐level AGB , while guaranteeing the full and effective participation of indigenous peoples. The benefits of our method in terms of cost‐efficiency and access to remote forest areas are discussed, as well as those accrued by indigenous peoples.
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 | 0,001 |
| 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 ».