Comparison of different land degradation indicators: Do the world regions really matter?
Notice bibliographique
Résumé
Abstract In 2010, the Convention on Biological Diversity created the Aichi Biodiversity targets to aid the restoration of degraded ecosystems, which include the restoration of at least 15% of degraded ecosystems by 2020. A crucial step to achieve this goal is the development of nonbiased prioritization methodologies that help establish key areas for restoration. However, prioritization methodologies depend heavily on each country's economic capability, governance, internal politics, degradation level, and access to data. Because only 78 countries are considered high‐income economies, only this select group of countries would potentially have the necessary resources to compile the information needed to carry out a prioritization process. In this work, our aim was to analyze and compare key land degradation indicators (e.g., land use/change, primary productivity, biodiversity loss, soil organic carbon, degradation level, and social acceptance) in five world regions, with different incomes and political and cultural background, Africa, Asia, Europe, Latin America, North America (USA–Canada), and Oceania. We also grouped these key land degradation indicators by type (ecological, social, cultural, economic, and policy). Our results indicate that the different world regions seem not to have a direct impact on the number of land degradation indicators used. However, we found differences in the type of indicators used per region, partially denoting the idiosyncrasy of each of these regions. Our study shows that governance is important in the use of indicators although we suspect that there are other variables that could be at play not included in this study.
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) | 0,001 | 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 ».