Integrating landscape ecology into landscape practice in Central African Rainforests
Notice bibliographique
Résumé
Abstract Context We describe how large landscape-scale conservation initiatives involving local communities, NGOs and resource managers have engaged with landscape scientists with the goal of achieving landscape sustainability. We focus on two landscapes where local people, practitioners and landscape ecologists have co-produced knowledge to design conservation interventions. Objective We seek to understand how landscape ecology can engage with practical landscape management to contribute to managing landscapes sustainably. Methods We focus on two large tropical landscapes: the Sangha Tri-National landscape (Cameroon, Republic of Congo and the Central African Republic) and the Batéké-Léfini Landscape (Gabon and Republic of Congo). We evaluate (1) a participatory method used in the Sangha Tri-National landscape that embeds interdisciplinary researchers and practitioners within a landscape to apply transdisciplinary learning to landscape conservation and (2) a participatory landscape zoning method where interdisciplinary teams of conservation practitioners analyse local land and resource use in the Batéké-Léfini landscape. Results We find that landscape ecology’s tradition of understanding the historical context of resource use can inform landscape conservation practice and natural resource mapping. We also find that the Sangha Group provides an example for landscape ecology on how to integrate local people and their knowledge to better understand and influence landscape processes. Conclusions Place-based engagement as well as the uptake of co-produced knowledge by policy makers are key in enabling sustainable landscapes. Success occurs when researchers, local communities and resource managers engage directly with landscape processes.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,008 | 0,001 |
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.
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 ».