Comparing carbon offsets and livelihood benefits in a long‐term reforestation project: Agroforestry versus native timber versus enrichment planting
Notice bibliographique
Résumé
Abstract Indigenous People and Local Communities (IPLC) can play an important role in reforestation for climate change mitigation while providing environmental and livelihood benefits. However, there is a lack of direct comparison between different reforestation design's carbon uptake potential and their relevance to community reforestation. We evaluate the carbon capture and survival of the four most common reforestation designs in a 14‐year‐long project in an Emberá community in eastern Panama. We look at native timber mixtures and monocultures, agroforestry, and natural regrowth with enrichment planting. To explain the differences between plots, we compare design, management and environmental characteristics using redundancy analyses (RDA). We then contextualize our results with the project leader's perspectives of success using interviews and workshops. In the first decade, mixtures and monocultures of timber stored on average roughly 3× more carbon than agroforestry and enrichment planting (140 tCO 2 /ha compared to 40 tCO 2 /ha and 53 tCO 2 /ha). The project design had the largest influence on carbon storage and survival with an explanatory power of 31% followed by management and environmental characteristics (14% and 2% respectively). The largest threat to the survival and growth was the risk of fire which caused mortality in more than 2/3 of the plots. Some damage was offset by natural regrowth which accounted for 34% of the total carbon, but the participants generally perceived natural regrowth as being “dirty.” They had a strong preference for agroforestry, particularly coffee ( Coffea spp.), a crop with negligible carbon value, but high economic value. ‘Practical implication’ : The findings underscore the need to balance carbon sequestration with local economic preferences, integrate community input, mitigate environmental risks and adopt long‐term, holistic approaches for effective reforestation projects.
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) | 0,000 | 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 ».