Multi-Criteria Prioritization of Watersheds for Post-Fire Restoration Using GIS Tools and Google Earth Engine: A Case Study from the Department of Santa Cruz, Bolivia
Notice bibliographique
Résumé
The Santa Cruz department in Bolivia is characterized by a wide range of ecosystems and by its richness in water resources. In recent years, extended drought caused by climate change has led to extensive fire events. Combined with deforestation, this is resulting in the degradation of the region’s ecosystems and water resources. To address restoration needs from both a land- and water-management perspective, this study proposes to prioritize restoration areas by applying a multi-criteria analysis (MCA) based on two main principles: (1) using the watershed as the main study unit and (2) involving stakeholders in the definition of priority watersheds. Local stakeholders selected criteria representing water resources, biophysical characteristics, land management, productive areas, and fire disaster threats, and reclassified the spatial information based on perceived importance. Different prioritization scenarios were developed and compared in a Google Earth Engine (GEE) application. Priority restoration areas largely depend on the weighting scheme. Focusing solely on past fires leads to prioritizing the south-east basins, while the conservation of the western watersheds becomes more important when increasing the weight of the water resources criteria. This study represents the first step in developing a participatory MCA tool at the watershed scale in Santa Cruz. Highlighting the impact of different prioritization criteria can support collective decision-making around land and watershed 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 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 ».