Global kelp forest restoration: past lessons, present status, and future directions
Notice bibliographique
Résumé
Kelp forest ecosystems and their associated ecosystem services are declining around the world. In response, marine managers are working to restore and counteract these declines. Kelp restoration first started in the 1700s in Japan and since then has spread across the globe. Restoration efforts, however, have been largely disconnected, with varying methodologies trialled by different actors in different countries. Moreover, a small subset of these efforts are 'afforestation', which focuses on creating new kelp habitat, as opposed to restoring kelp where it previously existed. To distil lessons learned over the last 300 years of kelp restoration, we review the history of kelp restoration (including afforestation) around the world and synthesise the results of 259 documented restoration attempts spanning from 1957 to 2020, across 16 countries, five languages, and multiple user groups. Our results show that kelp restoration projects have increased in frequency, have employed 10 different methodologies and targeted 17 different kelp genera. Of these projects, the majority have been led by academics (62%), have been conducted at sizes of less than 1 ha (80%) and took place over time spans of less than 2 years. We show that projects are most successful when they are located near existing kelp forests. Further, disturbance events such as sea-urchin grazing are identified as regular causes of project failure. Costs for restoration are historically high, averaging hundreds of thousands of dollars per hectare, therefore we explore avenues to reduce these costs and suggest financial and legal pathways for scaling up future restoration efforts. One key suggestion is the creation of a living database which serves as a platform for recording restoration projects, showcasing and/or re-analysing existing data, and providing updated information. Our work establishes the groundwork to provide adaptive and relevant recommendations on best practices for kelp restoration projects today and into the future.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,009 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 source (Gemma direct ou Codex distillé), 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 ».