Disrupted montane forest recovery hinders biodiversity conservation in the tropical Andes
Notice bibliographique
Résumé
Abstract Aim Andean montane forests are biodiversity hotspots and large carbon stores and they provide numerous ecosystem services. Following land abandonment after centuries of forest clearing for agriculture in the Andes, there is an opportunity for forest recovery. Field‐based studies show that forests do not always recover. However, large‐scale and long‐term knowledge of recovery dynamics of Andean forests remains scarce. This paper analyses tropical montane forest recovery trajectories over a 15‐year time frame at the landscape and tropical Andean scale to inform restoration planning. Methods We first detect “potential recovery” as areas that have experienced a forest transition between 2000 and 2005. Then, we use Landsat time series analysis of the normalized difference water index (NDWI) to classify four “realized recovery” trajectories (“ongoing”, “arrested”, “disrupted” and “no recovery”) based on a sequential pattern of 5‐yearly Z ‐score anomalies for 2005–2020. We compare these results against an analysis of change in tree cover to validate against other datasets. Results Across the tropical Andes, we detected a potential recovery area of 274 km 2 over the period. Despite increases in tree cover, most areas of the Andes remained in early successional states (10–25% tree cover), and NDWI levelled out after 5–10 years. Of all potential forest recovery areas, 22% showed “ongoing recovery”, 61% showed either “disrupted” or “arrested recovery”, and 17% showed “no recovery”. Our method captured forest recovery dynamics in a Peruvian arrested succession context and in landscape‐scale tree‐planting efforts in Ecuador. Main conclusions Forest recovery across the Andes is mostly disrupted, arrested or unsuccessful, with consequences for biodiversity recovery and provision of ecosystem services. Low‐recovery areas identified in this study might be good candidates for active restoration interventions in this UN Decade on Restoration. Future studies could determine restoration strategies and priorities and suggest management strategies at a local planning scale across key regions in the biodiversity hotspot.
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 | 0,001 |
| 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) | 0,000 | 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 ».