Exploring linkages between protected-area access and Kenyan pastoralist food security using a new agent-based model
Notice bibliographique
Résumé
Pastoral communities living in the arid and semi-arid lands of Kenya raise livestock herds within highly patchy environments, and experience chronic food insecurity and inter-ethnic conflicts linked to resource access. For these primarily rural communities, livestock are a source of calories and income and are therefore crucial to achieving the United Nations’ Sustainable Development Goals (SDGs) associated with food security (SDG 2). Achieving sustainable improvements in household well-being in this region is contingent on understanding how diverse policy decisions complement or undermine the ability of pastoral households to raise livestock. Of near-term relevance is the question of reconciling food security with biodiversity conservation goals (SDG 15) across Kenya’s drylands, which are also known for their exceptional biodiversity. World over, protected areas are associated with diverse impacts on local communities. However, spatial variation in how these areas contribute to pastoral food security and household well-being across Kenya remain poorly understood. Using our newly developed model SPIRALL, we examined spatial variation in changes in household well-being that result when pastoral households across Kenya lose access to neighboring protected areas. SPIRALL is a country-scale, agent-based pastoral household decision-making model. We joined SPIRALL to L-Range, a model that simulates rangeland ecosystem functioning. The resulting coupled model simulates reciprocal interactions between pastoral households and the environment in Kenya and can be used as a scenario analysis tool to understand impacts of broadly defined policies on food security. Our scenario-based analysis showed that loss of protected-area access caused increases in rates of hunger, debt, and trans-boundary movements, particularly among non-sedentary and agropastoral households. These effects were spatially heterogeneous and influenced by county size and proximity to protected areas. We conclude by outlining the policy-implications result of the interactions between SDG 2 and SDG 15 in Kenya. We also highlight additional uses and avenues for improvement for SPIRALL.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».