Drivers of Forest Loss in a Megadiverse Hotspot on the Pacific Coast of Colombia
Notice bibliographique
Résumé
Tropical forests are disappearing at unprecedented rates, but the drivers behind this transformation are not always clear. This limits the decision-making processes and the effectiveness of forest management policies. In this paper, we address the extent and drivers of deforestation of the Choco biodiversity hotspot, which has not received much scientific attention despite its high levels of plant diversity and endemism. The climate is characterized by persistent cloud cover which is a challenge for land cover mapping from optical satellite imagery. By using Google Earth Engine to select pixels with minimal cloud content and applying a random forest classifier to Landsat and Sentinel data, we produced a wall-to-wall land cover map, enabling a diagnosis of the status and drivers of forest loss in the region. Analyses of these new maps together with information from illicit crops and alluvial mining uncovered the pressure over intact forests. According to Global Forest Change (GFC) data, 2324 km2 were deforested in this area from 2001 to 2018, reaching a maximum in 2016 and 2017. We found that 68% of the area is covered by broadleaf forests (67,473 km2) and 15% by shrublands (14,483 km2), the latter with enormous potential to promote restoration projects. This paper provides a new insight into the conservation of this exceptional forest with a discussion of the drivers of forest loss, where illicit crops and alluvial mining were found to be responsible for 60% of forest loss.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».