Are restoration plans missing the target? Land tenure and cyclone risks reshuffles priorities for mangrove restoration
Notice bibliographique
Résumé
Coastal wetlands, vital for fisheries habitats, have suffered extensive losses. Ecosystem restoration offers opportunities to improve fish catch and restore the valuable services these ecosystems provide. Successful restoration is dependent on choosing a site where restoration is feasible, which encompasses biophysical, social, governance, logistical, and resource factors. However, factors that influence feasibility such as land tenure (governance feasibility) and future climate risks (biophysical feasibility) are often overlooked in quantitative analyses of site selection. We ask how spatial priorities for restoration change when considering how feasibility is affected by land tenure, cyclone risk, and both factors together. Specifically, we analyzed a case‐study of mangrove restoration to improve fish catch in Queensland, where there is interest in restoring coastal habitats to support fish habitats. We found that the rank order of planning units by restoration feasibility was highly influenced by both land tenure and cyclones, with cyclones changing ranks with clustered regions along the coastline and land tenure variably changing ranks throughout. In planning units where fisheries benefit is expected to be high, but cyclone risk substantially reduces restoration feasibility, practitioners could consider strategically planting mangroves near established mangrove forest and selecting resilient species for restoration. Formalizing regulations for incentives to private land holders and amending legislation for easier permitting are additional suggestions for addressing land tenure challenges. Our study emphasizes the importance of systematic approaches to considering feasibility in spatial planning for restoration to minimize the risk of failure.
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) | 0,000 | 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) | 0,000 | 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 ».