Lessons learned from a corporate manufacturer on driving the adoption of nature-based solutions
Notice bibliographique
Résumé
Companies are increasingly focused on driving the adoption of nature-based solutions across their organizations. Yet, implementing nature-based solutions within existing regulatory frameworks poses a unique set of challenges. In this paper, we present three nature-based solution case studies from The Dow Chemical Company and The Nature Conservancy's nearly 10-year collaboration. In the first case study, we focus on the potential benefits of reforestation to support the state's air quality improvement efforts. Ultimately, federal and state authorities did not approve of the reforestation project. Following this early setback, the collaboration team developed a suite of science-based tools that could be used to better advocate for government approval for the implementation of nature-based solutions. In the second case study, we highlight how one of these tools, the Ecosystem Services Identification & Inventory Tool, was used to improve communications about the benefits of nature-based solutions with regulatory agencies. In this case, Dow ultimately received approval for the restoration of a wetland to remediate an existing ash pond. Finally, the third case study highlights how engaging the right expertise through collaboration between the private sector and conservationists can improve land management strategies. Overall, this paper emphasizes the importance of robust conservation science, tools and expertise, and thoughtful collaboration as necessary means of driving the adoption of nature-based solutions both within a company and by its regulating entities. Integr Environ Assess Manag 2022;18:74-81. © 2021 SETAC.
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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».