Frontier metrics for a process-based understanding of deforestation dynamics
Notice bibliographique
Résumé
Abstract Agricultural expansion into tropical and subtropical forests often leads to major social-ecological trade-offs. Yet, despite ever-more detailed information on where deforestation occurs, how agriculture expands into forests remains unclear, which is hampered by a lack of spatially and temporally detailed reconstruction of agricultural expansion. Here, we developed and mapped a novel set of metrics that quantify agricultural frontier processes at unprecedented spatial and temporal detail. Specifically, we first derived consistent annual time series of land-use/cover to, second, describe archetypical patterns of frontier expansion, pertaining to the speed, the diffusion and activity of deforestation, as well as post-deforestation land use. We exemplify this approach for understanding agricultural frontier expansion across the entire South American Chaco (1.1 million km 2 ), a global deforestation hotspot. Our study provides three major insights. First, agricultural expansion has been rampant in the Chaco, with more than 19.3 million ha of woodlands converted between 1985 and 2020, including a surge in deforestation after 2019. Second, land-use trajectories connected to frontier processes have changed in major ways over the 35 year study period we studied, including substantial regional variations. For instance, while ranching expansion drove most of the deforestation in the 1980s and 1990s, cropland expansion dominated during the mid-2000s in Argentina, but not in Paraguay. Similarly, 40% of all areas deforested were initially used for ranching, but later on converted to cropping. Accounting for post-deforestation land-use change is thus needed to properly attribute deforestation and associated environmental impacts, such as carbon emissions or biodiversity loss, to commodities. Finally, we identified major, recurrent frontier types that may be a useful spatial template for land governance to match policies to specific frontier situations. Collectively, our study reveals the diversity of frontier processes and how frontier metrics can capture and structure this diversity to uncover major patterns of human–nature interactions, which can be used to guide spatially-targeted policies.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 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 ».