Forest and landscape restoration monitoring frameworks: how principled are they?
Notice bibliographique
Résumé
Forest and landscape restoration (FLR) aims to simultaneously restore ecological functionality to deforested or degraded landscapes and ensure the provision of ecosystem services essential for human well‐being. Interest in FLR has followed the ambitious commitments made to restore degraded forest by 2030 under the Bonn Challenge and the New York Declaration on Forests. To clarify and define FLR, the Global Partnership on Forest and Landscape Restoration articulated six principles that underlie this approach, but other sets of principles have also been developed. Our paper examines if and to what extent these principles and their interdependencies are captured in frameworks currently used to monitor FLR. We conducted a literature review to identify FLR monitoring frameworks that linked criteria to principles, but found only five appropriate publications. These frameworks were strictly hierarchical and thus unlikely to capture the interactions and interdependencies among different elements of FLR. Two of the five addressed all six principles. Second, we conducted a series of group exercises with experts to characterize the topology of FLR monitoring frameworks by linking criteria to principles and examining interconnections. We cataloged 18 criteria and 76 indicators, in a non‐exhaustive exercise. Cognitive mapping of the interconnections between FLR principles and criteria showed that criteria are typically linked to more than one principle indicating the need to consider networked frameworks. However, no FLR monitoring frameworks currently exist for understanding and operationalizing all six principles, and integrating the interconnected processes underpinning FLR planning, monitoring, and assessment.
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 | 0,000 |
| 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 ».