Targeting ocean conservation outcomes through threat reduction
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Nations have committed to reductions in the global rate of species extinctions through the Sustainable Development Goals 14 and 15, for ocean and terrestrial species, respectively. Biodiversity loss is worsening despite rapid growth in the number and extent of protected areas, both at sea and on land. Resolving this requires targeting the locations and actions that will deliver positive conservation outcomes for biodiversity. The Species Threat Abatement and Restoration (STAR) metric, developed by a consortium of experts, quantifies the contributions that abating threats and restoring habitats in specific places offer towards reducing extinction risk based on the IUCN Red List of Threatened Species TM . STAR is now recommended as an appropriate metric by recent disclosure frameworks for companies to report their impacts on nature and STAR has seen widespread uptake within the private sector. However, it is currently only available for the terrestrial realm. We extend the coverage of the threat abatement component of the STAR metric (STAR T ), used to identify locations where positive interventions could make a large contribution to reducing global species extinction risk and where developments that increase threats to species should be mitigated, to the marine realm for 1646 marine species. Reducing unsustainable fishing provides the greatest opportunity to lower species extinction risk, comprising 43% of the marine STAR T score. Three-quarters (75%) of the global marine STAR T score falls entirely outside the boundaries of protected areas and only 2.7% falls within no-take protected areas. The STAR metric can be used both to guide protected area expansion and to target other actions, such as establishment and enforcement of fishing limits, to recover biodiversity.
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.
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 | 0,001 | 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 | 0,001 |
| 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 découle