MétaCan
Menu
Retour à la cohorte
Enregistrement W4401114855 · doi:10.1038/s41597-024-03639-9

Mapping global land conversion pressure to support conservation planning

2024· article· en· W4401114855 sur OpenAlexaboutno aff
James R. Oakleaf, Christina M. Kennedy, Nicholas H. Wolff, Drew E. Terasaki Hart, Peter W. Ellis, David M. Theobald, Brandie Fariss, Karl Burkart, Joseph M. Kiesecker

Notice bibliographique

RevueScientific Data · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueConservation, Biodiversity, and Resource Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLand coverEnvironmental resource managementScale (ratio)Climate changeLand useEnvironmental scienceLand use, land-use change and forestryBiodiversityGeographyEcologyCartography

Résumé

récupéré en direct d'OpenAlex

Proactively identifying where land conversion might occur is critical to targeted and effective conservation planning. Previous efforts to map future habitat loss have largely focused on forested systems and have been limited in their consideration of drivers of loss. We developed a 1-km resolution, global map of land conversion pressure from multiple drivers, referred to as the conversion pressure index (CPI). The CPI combines past rates of anthropogenic change, as measured by temporal human modification maps, with suitability maps for potential future expansion by large-scale development. The CPI thus offers a new way to measure a cumulative gradient of anthropogenic pressure as opposed to categorical land cover change. We find that nearly 23% of land across 200 countries have relatively high conversion pressure, potentially impacting over 460 million ha of intact natural lands. We illustrate how this information can be used to identify areas for proactive conservation to avoid future loss and ensure that national commitments under the Kunming-Montreal Global Biodiversity and Paris Agreement Climate Frameworks are upheld.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,252
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,002
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,002

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.

Tête enseignante Opus0,055
Tête enseignante GPT0,271
Écart entre enseignants0,216 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScientific DataMême sujetConservation, Biodiversity, and Resource ManagementTravaux en français237 207