Deforestation in Legal Amazon: A Panel Data Analysis of Potential Interferers
Notice bibliographique
Résumé
The knowledge on the significant factors that lead to environmental changes can be an attractive tool for directing priority actions of management, sustainability and impact minimization. In this regard, this work suggests the use of panel data analysis in environmental assessments, proposing a panel data regression model for the context of the Amazon forest, aiming to evaluate the role of primary activities over deforestation in Legal Amazon between 1988 and 2018. For this, the deforested areas in Legal Amazon were assessed regarding the potential explanatory variables: (i) area intended for soybean cultivation; (ii) area intended for palm oil cultivation; (iii) cattle ranching; and (iv) firewood and wood extraction. The model developed in this work evidenced cattle ranching and palm oil cultivation as significant factors for the increase of deforested areas, as well as the contribution of other factors besides primary activities in Amazon deforestation from 1988 to 2018. These results are in accordance with the literature, evidencing the applicability and assertiveness of the proposed method. This approach can help decision-makers of several other fields of environmental management. Additionally, this work also assessed the evolution of deforestation rates from 1988 to 2018, as well as possible regionalities and temporal trends in Legal Amazon deforestation. Statistically significant upward trends in deforestation rates in Amazonas, Mato Grosso, Pará, and Rondônia since 2012 were noticed. The spatial homogeneity in deforestation reinforces the need for effective oversight in Amazon.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».