Identifying Mangrove Deforestation Hotspots in South Asia, Southeast Asia and Asia-Pacific
Notice bibliographique
Résumé
Mangroves inhabit highly productive inter-tidal ecosystems in >120 countries in the tropics and subtropics providing critical goods and services to coastal communities and contributing to global climate change mitigation owing to substantial carbon stocks. Despite their importance, global mangrove distribution continues to decline primarily due to anthropogenic drivers which vary by region/country. South Asia, Southeast Asia and Asia-Pacific contain approximately 46% of the world’s mangrove ecosystems, including the most biodiverse mangrove forests. This region also exhibits the highest global rates of mangrove loss. Remotely sensed data provides timely and accurate information on mangrove distribution and dynamics critical for targeting loss hotspots and guiding intervention. This report inventories, describes and compares all known single- and multi-date remotely sensed datasets with regional coverage and provides areal mangrove extents by country. Multi-date datasets were used to estimate dynamics and identify loss hotspots (i.e., countries that exhibit greatest proportional loss). Results indicate Myanmar is the primary mangrove loss hotspot, exhibiting 35% loss from 1975–2005 and 28% between 2000–2014. Rates of loss in Myanmar were four times the global average from 2000–2012. The Philippines is additionally identified as a loss hotspot, with secondary hotspots including Malaysia, Cambodia and Indonesia. This information helps inform and guide mangrove conservation, restoration and managed-use within the region.
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 | 0,001 |
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 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 ».