Optimality in prioritizing conservation projects
Notice bibliographique
Résumé
Abstract The resources available to safeguard biodiversity are limited, and so funding must be allocated cost‐effectively. To achieve this, conservation projects—such as threatened species recovery projects, or pest management projects—are often prioritized using algorithms. Conventionally, prioritizations have been generated by ranking projects according to their cost‐effectiveness and selecting the top projects within a budget, or using backwards heuristic algorithms which iteratively remove projects until a budget is met. Yet such algorithms may not deliver optimal solutions. We investigated the performance of exact algorithms, a class of algorithms that guarantee optimality, compared with conventional algorithms for project prioritization. Specifically, we conducted a simulation study, involving 40 conservation projects, 50 species, and 80 management actions, and a case study involving recovery projects for 62 of New Zealand’s threatened bird species. In each of these studies, we generated prioritizations by (i) exact algorithms, (ii) ranking projects using cost‐effectiveness, (iii) a backwards heuristic algorithm, and (iv) randomly funding projects. After generating the prioritizations, we evaluated their performance. We found that exact algorithms outperform conventional algorithms for project prioritization. In the simulation study, both the ranking and backwards heuristic algorithms returned solutions that were highly suboptimal when compared with solutions by exact algorithms. In the case study, both conventional algorithms returned solutions that would be expected to result in the needless loss of millions of years of avian evolutionary history due to poor planning. Furthermore, conventional algorithms returned solutions with large amounts of unallocated funding—providing little guidance for decision makers. Despite concerns that exact algorithm solvers require an inordinate amount of time, the longest run in either study took less than three minutes. Our results suggest that conservation agencies could benefit enormously from exact algorithms. To help make exact algorithms more accessible, we developed the oppr R package ( https://CRAN.R-project.org/package=oppr ) which can use open‐source and commercial exact algorithm solvers to identify optimal solutions for a range of objectives and constraints. Our findings suggest that conservation plans could be substantially improved using exact algorithms, which could potentially save millions of dollars and lead to more species being saved from extinction.
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 | 0,002 | 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 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 ».