Using sentinel nodes to evaluate changing connectivity in a protected area network
Notice bibliographique
Résumé
It has been recognized that well-connected networks of protected areas are needed to halt the continued loss of global biodiversity. The recently signed Kunming-Montreal biodiversity agreement commits countries to protecting 30% of terrestrial lands in well-connected networks of protected areas by 2030. To meet these ambitious targets, land-use planners and conservation practitioners will require tools to identify areas important for connectivity and track future changes. In this study we present methods using circuit theoretic models with a subset of sentinel park nodes to evaluate connectivity for a protected areas network. We assigned a lower cost to natural areas within protected areas, under the assumption that animal movement within parks should be less costly given the regulation of activities. We found that by using mean pairwise effective resistance (MPER) as an indicator of overall network connectivity, we were able to detect changes in a parks network in response to simulated land-use changes. As expected, MPER increased with the addition of high-cost developments and decreased with the addition of new, low-cost protected areas. We tested our sentinel node method by evaluating connectivity for the protected area network in the province of Ontario, Canada. We also calculated a node isolation index, which highlighted differences in protected area connectivity between the north and the south of the province. Our method can help provide protected areas ecologists and planners with baseline estimates of connectivity for a given protected area network and an indicator that can be used to track changes in connectivity in the future.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».