Challenges and opportunities in developing decision support systems for risk assessment and management of forest invasive alien species
Notice bibliographique
Résumé
Biological invasions represent an increasing threat to ecosystems worldwide, with negative ecological and socio-economic impacts, whereas risk assessment and management remain challenging. The development of decision support systems (DSS) has the potential to help decision-makers and managers mitigate invasive species, but few DSS exist for forest invasive alien species (FIAS). The use of DSS in forestry is not new but they represent an asset in decision making in times of increasing complexity of issues foresters face and factors to consider. Yet, few forest DSS address the problem of FIAS. In this review, we identify key elements of the FIAS risk-assessment and management decision-making process, discuss these elements with a model-based DSS development perspective, and summarize outstanding challenges and opportunities for FIAS DSS development. FIAS DSS should not only estimate the probability of FIAS invasion but also consider forest vulnerability and quantify exposure (i.e., value at risk), while allowing different threat scenarios and possible solutions to be compared. Such a complete risk assessment and management calls for integrative modelling approaches that explicitly link different components of FIAS invasion, management, and impact assessment into a DSS. Such integrative modelling is challenging and may require collaboration among experts of different domains. International collaboration is also needed to facilitate data exchange, as the lack of data is one of the main challenges. In many cases, data and ecological knowledge of invasive species are too limited (in quantity or quality) to constitute useful input to DSS or their components (e.g., species distribution model). Another challenge is to better consider the multiple sources of uncertainties inherent to modelling invasions (e.g., host preferences and behavior, forest vulnerability, potential impacts, and cost and benefits of mitigation actions) when assessing FIAS risk and communicating results from risk assessment. Communication with stakeholders and DSS end-users, in fact, appears as one of the keys to successful DSS development and appropriation, not only to ensure that they correspond to end-users’ needs but also to ensure ease of use, functionality, and good visualization of DSS outputs.
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 | 0,001 | 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 ».