MétaCan
Menu
Retour à la cohorte
Enregistrement W4283588246 · doi:10.1073/pnas.2202310119

Linking land-use and land-cover transitions to their ecological impact in the Amazon

2022· article· en· W4283588246 sur OpenAlexaff
Cássio Alencar Nunes, Érika Berenguer, Filipe França, Joice Ferreira, Alexander Charles Lees, Júlio Louzada, Emma J. Sayer, Ricardo Solar, Charlotte C. Smith, Luiz E. O. C. Aragão, Danielle de Lima Braga, Plínio Barbosa de Camargo, Carlos Eduardo Pellegrino Cerri, Raimundo Cosme de Oliveira, Mariana Durigan, Nárgila Moura, Victor Hugo Fonseca Oliveira, Carla R. Ribas, Fernando Zagury Vaz‐de‐Mello, Ima Célia Guimarães Vieira, Ronald Zanetti, Jos Barlow

Notice bibliographique

RevueProceedings of the National Academy of Sciences · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueConservation, Biodiversity, and Resource Management
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesFondation BNP ParibasNatural Environment Research CouncilConselho Nacional de Desenvolvimento Científico e TecnológicoBNP Paribas CardifNature ConservancyCoordenação de Aperfeiçoamento de Pessoal de Nível SuperiorSight Research UKGovernment of the United Kingdom
Mots-clésBiodiversityDeforestation (computer science)Amazon rainforestEcosystemEcosystem servicesLand useAgroforestryLand coverLand use, land-use change and forestryGeographyAgricultureEcologyEnvironmental scienceBiology

Résumé

récupéré en direct d'OpenAlex

Human activities pose a major threat to tropical forest biodiversity and ecosystem services. Although the impacts of deforestation are well studied, multiple land-use and land-cover transitions (LULCTs) occur in tropical landscapes, and we do not know how LULCTs differ in their rates or impacts on key ecosystem components. Here, we quantified the impacts of 18 LULCTs on three ecosystem components (biodiversity, carbon, and soil), based on 18 variables collected from 310 sites in the Brazilian Amazon. Across all LULCTs, biodiversity was the most affected ecosystem component, followed by carbon stocks, but the magnitude of change differed widely among LULCTs and individual variables. Forest clearance for pasture was the most prevalent and high-impact transition, but we also identified other LULCTs with high impact but lower prevalence (e.g., forest to agriculture). Our study demonstrates the importance of considering multiple ecosystem components and LULCTs to understand the consequences of human activities in tropical landscapes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,332

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,044
Tête enseignante GPT0,261
Écart entre enseignants0,218 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations85
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the National Academy of SciencesMême sujetConservation, Biodiversity, and Resource ManagementTravaux en français237 207