Land and deep-sea mining: the challenges of comparing biodiversity impacts
Notice bibliographique
Résumé
Abstract The term ‘biodiversity,’ while casually used in practice, is a complicated subject to measure, interpret, contextualize, and compare. Yet the possible advent of deep-sea mining in the mid-2020’s compels us to compare potential impacts of biodiversity loss across ecologically distant realms, a formidable task. Supplying the world’s green infrastructure is expected to lead to shortages of nickel, cobalt and other metals; meanwhile polymetallic nodules sitting atop the abyssal plains of the Clarion-Clipperton Zone (CCZ) of the Pacific Ocean contain billions of tons of nickel, cobalt, copper and manganese, enough to solve the supply issues. Implicit in society’s decision of whether to exploit this resource is a tradeoff of harm to biodiversity in the CCZ’s abyssal seafloor and its overlying water column, versus intensification of harm to rainforests and other terrestrial mining habitats. Here we frame the challenges of comparing biodiversity impacts across such different realms, spanning the gamut from normative to fundamental: ambiguities in definitions, lack of protocol standardization, physical challenges in measurement, difficulties to integrate measures among different taxonomic groups, profound differences between ecologically distant realms, contextual necessity to attribute value to mathematical index results, and constraints of current knowledge about species, ecosystems and system level impacts of biodiversity change. Quantitative biodiversity measures alone cannot rank one system above the other; measures must be supplemented with qualitative judgements of the tangible and intangible values of species and habitats to natural systems and to humans, along with consideration of other threats that they and we face.
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) | 0,000 | 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 ».