Systematic conservation prioritization with the prioritizr R package
Notice bibliographique
Résumé
Abstract Plans for expanding protected area systems (prioritizations) need to fulfill conservation objectives. They also need to account for other factors, such as economic feasibility and anthropogenic land‐use requirements. Although prioritizations are often generated with decision support tools, most tools have limitations that hinder their use for decision‐making. We outlined how the prioritizr R package ( https://prioritizr.net ) can be used for systematic conservation prioritization. This decision support tool provides a flexible interface to build conservation planning problems. It can leverage a variety of commercial (e.g., Gurobi) and open‐source (e.g., CBC and SYMPHONY) exact algorithm solvers to identify optimal solutions in a short period. It is also compatible with a variety of spatially explicit (e.g., ESRI Shapefile, GeoTIFF) and nonspatial tabular (e.g., Microsoft Excel Spreadsheet) data formats. Additionally, it provides functionality for evaluating prioritizations, such as assessing the relative importance of different places selected by a prioritization. To showcase the prioritizr R package, we applied it to a case study based in Washington state (United States) for which we developed a prioritization to improve protected area coverage of native avifauna. We accounted for land acquisition costs, existing protected areas, places that might not be suitable for protected area establishment, and spatial fragmentation. We also conducted a benchmark analysis to examine the performance of different solvers. The prioritization identified 12,400 km 2 of priority areas for increasing the percentage of species’ distributions covered by protected areas. Although open source and commercial solvers were able to quickly solve large‐scale conservation planning problems, commercial solvers were required for complex, large‐scale problems.. The prioritizr R package is available on the Comprehensive R Archive Network (CRAN). In addition to reserve selection, it can inform habitat restoration, connectivity enhancement, and ecosystem service provisioning. It has been used in numerous conservation planning exercises to inform best practices and aid real‐world decision‐making.
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 ».