Agroforestry Species Selection for Forest Rehabilitation in the Asia-Pacific Region: A Meta-Analysis on High-Level Taxonomy
Notice bibliographique
Résumé
Agroforestry is important for forest management and rehabilitation in the southeast Asia-Pacific Region (APR), where economic issues, intensive land use, deforestation, and forest degradation are common. Species selection is a key process in establishing agroforestry systems. In this study, we reviewed the agroforestry literature across eight economies within the southeast APR, documented the species used, and compared the existing systems to better understand the challenges and opportunities for the region’s agroforestry expansion. We conducted rule and Maptree analyses using 108 species, belonging to 95 genera and 49 families of plants, to unravel the various agroforestry practices in this region. We identified the most common plant families used in agroforestry combinations within each economy. We then divided the economies into three groups based on the most commonly used genera: (1) Thailand, Vietnam, Papua New Guinea and Fiji (Hevea, Oryza, Eucalyptus, Acacia, and Zea); (2) Nepal and Yunnan China (Zea, Leucaena, Morus, and Hevea); and (3) Indonesia and the Philippines (Oryza, Hevea, Zea, and Brassica). Although this study focused on high-level taxonomic classification (family and genus), we believe that this work will fill the current knowledge gaps, offering guidance to economies in the southeast APR regarding species selection and the adoption of sustainable agroforestry practices.
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 | 0,010 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,015 |
| Bibliométrie | 0,005 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».