Roles of the Red List of Ecosystems in the Kunming-Montreal Global Biodiversity Framework
Notice bibliographique
Résumé
The Kunming-Montreal Global Biodiversity Framework (GBF) of the UN Convention on Biological Diversity set the agenda for global aspirations and action to reverse biodiversity loss. The GBF includes an explicit goal for maintaining and restoring biodiversity, encompassing ecosystems, species and genetic diversity (goal A), targets for ecosystem protection and restoration and headline indicators to track progress and guide action1. One of the headline indicators is the Red List of Ecosystems2, the global standard for ecosystem risk assessment. The Red List of Ecosystems provides a systematic framework for collating, analysing and synthesizing data on ecosystems, including their distribution, integrity and risk of collapse3. Here, we examine how it can contribute to implementing the GBF, as well as monitoring progress. We find that the Red List of Ecosystems provides common theory and practical data, while fostering collaboration, cross-sector cooperation and knowledge sharing, with important roles in 16 of the 23 targets. In particular, ecosystem maps, descriptions and risk categories are key to spatial planning for halting loss, restoration and protection (targets 1, 2 and 3). The Red List of Ecosystems is therefore well-placed to aid Parties to the GBF as they assess, plan and act to achieve the targets and goals. We outline future work to further strengthen this potential and improve biodiversity outcomes, including expanding spatial coverage of Red List of Ecosystems assessments and partnerships between practitioners, policy-makers and scientists. The Red List of Ecosystems is a headline indicator in the Kunming-Montreal Global Biodiversity Framework. This Progress illustrates how the Red List of Ecosystems can be used by Parties to the Framework to contribute to its implementation and monitoring.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».