Identifying climate change refugia for South American biodiversity
Notice bibliographique
Résumé
Abstract Refugia‐based conservation offers long‐term effectiveness and minimize uncertainty on strategies for climate change adaptation. We used distribution modelling to identify climate change refugia for 617 terrestrial mammals and to quantify the role of protected areas (PAs) in providing refugia across South America. To do so, we compared species potential distribution across different scenarios of climate change, highlighting those regions likely to retain suitable climatic conditions by year 2090, and explored the proportion of refugia inside PAs. Moist tropical forests in high‐elevation areas with complex topography concentrated the highest local diversity of species refugia, although regionally important refugia centers occurred elsewhere. Andean–Amazon forests contained climate change refugia for more than half of the continental species’ pool and for up to 87 species locally (17 × 17 km 2 grid cell). The highlands of the southern Atlantic Forest also included megadiverse refugia for up to 76 species per cell. Almost half of the species that may find refugia in the Atlantic Forest will do so in a single region—the Serra do Mar and Serra do Espinhaço. Most of the refugia we identified, however, were not in PAs, which may contain <6% of the total area of climate change refugia, leaving 129–237 species with no refugia inside the territorial limits of PAs of any kind. Our results reveal a dismal scenario for the level of refugia protection in some of the most biodiverse regions of the world. Nonetheless, because refugia tend to be in high‐elevation, topographically complex, and remote areas, with lower anthropogenic pressure, formally protecting them may require a comparatively modest investment.
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 | 0,000 | 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 | 0,000 | 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) | 0,004 | 0,004 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».