MétaCan
Menu
← Retour à la cohorte
Enregistrement W4403987886 · doi:10.32942/x2k34f

Towards a modern and efficient European biodiversity observation network fit for multiple policies

2024· preprint· en· W4403987886 sur OpenAlexaboutno aff
W. Daniel Kissling, Tom D. Breeze, Camino Liquete, Anne Lyche Solheim, Ian McCallum, Joachim Maes, Tim Hirsch, María Lumbierres, Roy H. A. van Grunsven, Pedro Beja, Bruno Smets, César Capinha, Ana Ceia‐Hasse, Néstor Fernández, Francisco Moreira, Jessica Junker, Florian Leese, Eleanor Hammond, Alejandra Morán‐Ordóñez, Simon G. Potts, Joana Santana, Jose Valdez, Ingolf Kühn, Marija Milanović, Astrid Schmidt‐Kloiber, Dimitrios Bormpoudakis, Dani Villero, Peter Haase, Kristian Meissner, Helge Bruelheide, Marcel Buchhorn, Irene Calderón‐Sanou, Miguel Fernández, Anna Gamero, Anne Gobin, Irene Guerrero, Ute Jandt, Alena Klvaňová, Martina Viti, S. Jannicke Moe, Aletta Bonn, Henrique dos Santos Pereira

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEnvironmental Science
ThématiqueSpecies Distribution and Climate Change
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBiodiversityComputer scienceEnvironmental resource managementEnvironmental scienceEcologyBiology

Résumé

récupéré en direct d'OpenAlex

To address the biodiversity crisis, global and regional policy frameworks like the Kunming-Montreal Global Biodiversity Framework and the European Green Deal demand to monitor biodiversity. Despite these efforts, existing approaches for monitoring biodiversity remain fragmented and lack data integration. Here, we review and synthesize crucial information for developing an integrated European-wide biodiversity monitoring framework using Essential Biodiversity Variables (EBVs), with the aim to improve data coverage, enhance transnational coordination, adopt advanced technologies, and better inform environmental policies. Using a participatory approach involving over 1500 stakeholders, we prioritized EBVs for assessing biodiversity status and trends and supporting European policies, identified relevant monitoring technologies, developed recommendations for a spatial sampling design, and estimated the costs of implementing a continent-wide biodiversity observation network that covers terrestrial, freshwater, and marine ecosystems. A total of 84 EBVs addressing genetic, species, community and ecosystem-level biodiversity attributes were prioritized. A broad range of monitoring methods is required, especially structured in-situ monitoring schemes and satellite and airborne remote sensing, complemented with citizen science observations, DNA-based methods, digital sensors, and biological observations derived from weather radar. Our suggestions for a more effective spatial sampling design ensure a broad representation of European biodiversity, especially through stratified random sampling, incorporation of existing monitoring sites, filling of spatial gaps, and co-location of monitoring activities. Developing the prioritized EBVs will require to integrate multiple biodiversity data streams, apply advanced modelling techniques for gap-filling, and account for different sources of uncertainty. A digital infrastructure is required with supporting services, and with data being shared using interoperable standards and published on open platforms. The costs of such a European biodiversity observation network were estimated to be at least 5.7 billion Euro over 10 years, including initial investments and annual maintenance. A European Biodiversity Observation Coordination Centre (EBOCC) is needed to coordinate monitoring activities and data management. The network’s benefits for addressing multiple policies, including improved ecosystem services, will by far outweigh the expenses involved in establishing and maintaining the entire network. The illustrated co-design offers a scalable model for developing biodiversity monitoring networks in other continents, with potential adaptations to local policies and conditions.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,035
score de la tête « metaresearch » (Gemma)0,029
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,035
Score d'incertitude au seuil0,183

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0350,029
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0050,007
Études des sciences et des technologies0,0010,001
Communication savante0,0050,012
Science ouverte0,0030,006
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,086
Tête enseignante GPT0,262
Écart entre enseignants0,175 · 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
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

Citations6
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSpecies Distribution and Climate Change→Travaux en français237 207→