MétaCan
Menu
Retour à la cohorte
Enregistrement W2982511501 · doi:10.1126/sciadv.aax2546

Degradation and forgone removals increase the carbon impact of intact forest loss by 626%

2019· article· en· W2982511501 sur OpenAlexaff
Sean Maxwell, Tom Evans, A. Morel, Hedley S. Grantham, A. J. Duncan, Nancy L. Harris, Peter Potapov, Rebecca K. Runting, Oscar Venter, Stephanie Wang, Yadvinder Malhi

Notice bibliographique

RevueScience Advances · 2019
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueForest Management and Policy
Établissements canadiensUniversity of Northern British Columbia
Organismes subventionnairesJohn D. and Catherine T. MacArthur Foundation
Mots-clésDefaunationCarbon sequestrationDeforestation (computer science)Environmental scienceGreenhouse gasCarbon fibersCarbon accountingForest degradationClimate changeLoggingAtmospheric carbon cycleGlobal warmingNatural resource economicsEnvironmental protectionAgroforestryLand useForestryCarbon dioxideEcologyGeographyLand degradationChemistryBiologyEconomics

Résumé

récupéré en direct d'OpenAlex

Intact tropical forests, free from substantial anthropogenic influence, store and sequester large amounts of atmospheric carbon but are currently neglected in international climate policy. We show that between 2000 and 2013, direct clearance of intact tropical forest areas accounted for 3.2% of gross carbon emissions from all deforestation across the pantropics. However, full carbon accounting requires the consideration of forgone carbon sequestration, selective logging, edge effects, and defaunation. When these factors were considered, the net carbon impact resulting from intact tropical forest loss between 2000 and 2013 increased by a factor of 6 (626%), from 0.34 (0.37 to 0.21) to 2.12 (2.85 to 1.00) petagrams of carbon (equivalent to approximately 2 years of global land use change emissions). The climate mitigation value of conserving the 549 million ha of tropical forest that remains intact is therefore significant but will soon dwindle if their rate of loss continues to accelerate.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil0,037

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0090,001

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,259
Écart entre enseignants0,254 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations134
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScience AdvancesMême sujetForest Management and PolicyTravaux en français237 207