A scoping review of human health co-benefits of forest-based climate change mitigation in Europe
Notice bibliographique
Résumé
Climate change is a pressing global challenge with profound implications for human health. Forest-based climate change mitigation strategies, such as afforestation, reforestation, and sustainable forest management, offer promising solutions to mitigate climate change and simultaneously yield substantial co-benefits for human health. The objective of this scoping review was to examine research trends related to the interdisciplinary nexus between forests as carbon sinks and human health co-benefits. We developed a conceptual framework model, supporting the inclusion of exposure pathways, such as recreational opportunities or aesthetic experiences, in the co-benefit context. We used a scoping review methodology to identify the proportion of European research on forest-based mitigation strategies that acknowledge the interconnection between mitigation strategies and human impacts. We also aimed to assess whether synergies and trade-offs between forest-based carbon sink capacity and human co-benefits has been analysed and quantified. From the initial 4,062 records retrieved, 349 reports analysed European forest management principles and factors related to climate change mitigation capacity. Of those, 97 studies acknowledged human co-benefits and 13 studies quantified the impacts on exposure pathways or health co-benefits and were included for full review. Our analysis demonstrates that there is potential for synergies related to optimising carbon sink capacity together with human co-benefits, but there is currently a lack of holistic research approaches assessing these interrelationships. We suggest enhanced interdisciplinary efforts, using for example multideterminant modelling approaches, to advance evidence and understanding of the forest and health nexus in the context of climate change mitigation.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».