A practice-led assessment of landscape restoration potential in a biodiversity hotspot
Notice bibliographique
Résumé
Effective restoration planning tools are needed to mitigate global carbon and biodiversity crises. Published spatial assessments of restoration potential are often at large scales or coarse resolutions inappropriate for local action. Using a Tanzanian case study, we introduce a systematic approach to inform landscape restoration planning, estimating spatial variation in cost-effectiveness, based on restoration method, logistics, biomass modelling and uncertainty mapping. We found potential for biomass recovery across 77.7% of a 53 000 km 2 region, but with some natural spatial discontinuity in moist forest biomass, that was previously assigned to human causes. Most areas with biomass deficit (80.5%) were restorable through passive or assisted natural regeneration. However, cumulative biomass gains from planting outweighed initially high implementation costs meaning that, where applicable, this method yielded greater long-term returns on investment. Accounting for ecological, funding and other uncertainty, the top 25% consistently cost-effective sites were within protected areas and/or moderately degraded moist forest and savanna. Agro-ecological mosaics had high biomass deficit but little cost-effective restoration potential. Socio-economic research will be needed to inform action towards environmental and human development goals in these areas. Our results highlight value in long-term landscape restoration investments and separate treatment of savannas and forests. Furthermore, they contradict previously asserted low restoration potential in East Africa, emphasizing the importance of our regional approach for identifying restoration opportunities across the tropics. This article is part of the theme issue ‘Understanding forest landscape restoration: reinforcing scientific foundations for the UN Decade on Ecosystem Restoration’.
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 | 0,011 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».