National mapping and assessment of ecosystem services projects in Europe – Participants’ experiences, state of the art and lessons learned
Notice bibliographique
Résumé
Backed by the Biodiversity Strategy to 2020 and 2030, numerous ‘Mapping and Assessment of Ecosystem Services’ (MAES) projects have been completed in recent years in the member states of the European Union, with substantial results and insights accumulated. The experience from the different approaches is a valuable source of information for developing assessment processes further, especially with regard to their uptake into policy and more recently, into ecosystem accounting. Systematic approaches towards best practices and lessons learned from national MAES projects are yet lacking. This study presents the results of a survey conducted with participants of national MAES projects overviewing 13 European MAES processes. Focus hereby is put on the types of methods used, the assessed ecosystem services, and the perceived challenges and advancements. All MAES projects assessed ecosystem services at several levels of the ecosystem service cascade (69% at least three levels), using a diverse set of data sources and methods (with 4.7 types of methods on average). More accessible data was used more frequently (e.g., statistical and literature data being the most popular). Challenges regarding policy uptake, synthesizing results, and data gaps or reliability were perceived as the most severe. Insufficient evaluation of uncertainty was seen as a major critical point, and emphasized as crucial for uptake and implementation. Moving towards accounting for ES in the frame of environmental-economic accounts, considering uncertainties of ES assessments should be even more important.
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 | 0,036 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».