Evaluating ecosystem services for agricultural wetlands: a systematic review and meta-analysis
Notice bibliographique
Résumé
Abstract Globally, the extent of inland wetlands has declined by approximately 70% since the start of the twentieth century, resulting in the loss of important wetland-associated ecosystem services. We evaluate the drivers of wetland values in agricultural landscapes to increase the effectiveness and reliability of benefit transfer tools to assign values to local wetland services. We reviewed 668 studies that analyzed wetland ecosystem services within agricultural environments and identified 45 studies across 22 countries that provided sufficient economic information to be included in a quantitative meta-analysis. We developed meta-regression models to represent provisioning and regulating wetland ecosystem services and identify the main drivers of these ecosystem service categories. Provisioning wetland ecosystem service values were best explained (direction of effects in parenthesis) by high-income variable (+), peer-reviewed journal publications (+), agricultural total factor productivity index (−) and population density (+), while agricultural total factor productivity index (−), income level ( +) and wetland area (−) had significant effects on regulating wetland ecosystem service values. Our models can help estimate wetland values more reliably across similar regions because they have significantly lower transfer errors (66 and 185% absolute percentage error for the provisioning and regulating models, respectively) than the errors from unit value transfers. Model predicted wetland values ($/Ha/Year) range from $0.62 to $11,216 for regulating services and $0.95 to $2,122 for provisioning services and vary based on the differences in the levels of the variables (in the wetland locations) that best explained the estimated models.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| 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 | 0,000 |
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 ».