The potential for natural forest regeneration in tropical regions
Notice bibliographique
Résumé
Extensive forest restoration is a key strategy to meet nature-based sustainable development goals and provide multiple social and environmental benefits. Yet achieving forest restoration at scale requires cost-effective methods. Tree planting in degraded landscapes is a popular but costly forest restoration method, which often results in less biodiverse forests when compared to natural regeneration techniques under similar conditions. Here, we assess the current spatial distribution of pantropical natural forest (from 2000-2016) and use this information to present the first model of the potential for natural regeneration across tropical forested countries and biomes at 30-meter spatial resolution. We estimate that 215 million hectares - an area greater than the entire country of Mexico - have potential for natural forest regeneration, representing an above-ground carbon sequestration potential of 23.4 Gt CO2 (range 21.1-25.7 Gt) over 30 years. Five countries (Brazil, Indonesia, China, Mexico, and Colombia) account for 52% of this estimated potential, showcasing the need for targeting restoration initiatives that leverage natural regeneration potential. Our results facilitate broader equitable decision-making processes that capitalise on the widespread opportunity for natural regeneration to help achieve national and global environmental agendas. File descriptions: pnv_pct_30m - files named with this prefix are the 30m continuous probability predictions of the potential for natural regeneration, stored as integers representing percentages to minimise file sizes tile_index_number_map.jpg – corresponding locations of the ‘pnv_pct_30m’ tiles prop pnv v1 1km.tif - for display purposes only (not used in the Williams et al. analysis) the approximately 1km resolution overview raster representing the proportion of the area of each pixel that has the potential for natural regeneration pnv_bin_30m.zip - this .zip folder contains the 30m resolution binary predictions (where a value of >0.5 is allocated a value of 1, acknowledging users may prefer to use a different threshold for their context) of areas suitable for natural regeneration The 30m resolution datasets have been tiled into 10 degree latitude/longitude tiles
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».