Smallholder agriculture results in stable forest cover in riverine Amazonia
Notice bibliographique
Résumé
Abstract Recent studies point to a rapid increase in small-scale deforestation in Amazonia. Where people live along the rivers of the basin, customary shifting cultivation creates a zone of secondary forest, orchards and crop fields around communities in what was once was old-growth terra firme forest. Visible from satellite imagery as a narrow but extensive band of forest disturbance along rivers, this zone is often considered as having been deforested. In this paper we assess forest disturbance and the dynamics of secondary forests around 275 communities along a 725 km transect on the Napo and Amazon Rivers in the Peruvian Amazon. We used high-resolution satellite imagery to define the ‘working area’ around each community, based on the spatial distribution of forest/field patches and the visible boundary between old-growth and secondary forests. Land cover change was assessed between ca. 1989 and 2015 using CLASlite ™ image classification. Statistical analyses using community and household-level data from the Peruvian Amazon Rural Livelihoods and Poverty project identified the predictors of the extent of forest disturbance and the dynamics of secondary forests around communities. Although shifting cultivation is the primary driver of old-growth forest loss, we find that secondary forest cover, which replaces old-growth forests, is stable through time, and that both the area and rate of expansion into old-growth forests are modest when compared to forest conversion in Peru for colonization and plantation development. Our findings challenge the notion that smallholder agriculture along rivers is an important threat to terra firme forests in Amazonia and point to the importance of protecting forests on community lands from loggers, colonists and other outsiders.
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 | 0,001 | 0,000 |
| 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) | 0,002 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».