Mapping Ecosystem Services to Human Well‐being: a toolkit to support integrated landscape management for the SDGs
Notice bibliographique
Résumé
The Sustainable Development Goals (SDGs) emphasize the global and multi-dimensional nature of sustainability and thus require improving our capacity to articulate and trace the impact of ecosystem change to measures of human well-being. Yet, the integrated nature of these goals is challenging to assess without similarly integrated assessment tools. We present a new modeling toolkit, "Mapping Ecosystem Services to Human well-being" (MESH), that integrates commonly used, stand-alone ecosystem services (ES) models from the InVEST suite of models to quantify and illustrate the trade-offs and synergies across five ecosystem services and up to 10 associated SDGs. Development of the software and its functionality were informed by a broad stakeholder consultation with ministries, non-governmental organizations and civil society groups in West Africa to identify common barriers to uptake and application of modeling tools in developing countries. In light of this process, key features included in MESH are (1) integration of multiple ecosystem service (ES) models into a common modeling framework supported by a curated base data set, (2) built-in scenario generation capacity to support policy analysis, (3) visualization of outcomes and trade-offs, and (4) mapping of ecosystem service change to SDG targets and goals. We illustrate the use of MESH in a case study in the Volta basin of West Africa comparing the effectiveness of three alternative conservation prioritization approaches: (1) land cover-based, (2) topographic-based, and (3) an ecosystem service-based approach to minimize the impact of agricultural expansion. We evaluate these approaches by linking changes in service supply to potential impacts on achievement of specific SDG goals and targets.
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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,015 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».