Leveraging the Red List of Ecosystems for action on coral reefs through the Kunming‐Montreal Global Biodiversity Framework
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Countries have committed to conserving and restoring ecosystems after signing the Kunming‐Montreal Global Biodiversity Framework (GBF). The IUCN Red List of Ecosystems (RLE) will serve as a headline indicator to track countries' progress toward achieving this goal. Using Kenyan coral reefs, we demonstrate how nations implementing the GBF can use standardized estimates of ecosystem degradation from RLE assessments to support site‐specific management decisions. We undertook a reef‐by‐reef analysis to evaluate the relative decline of four key ecosystem components over the past 50 years: hard corals, macroalgae, parrotfish, and groupers. Using the two benthic indicators, we also calculated standardized estimates of state to identify reef sites which maintain a better condition through time relative to adjacent sites. Kenya's coral reefs have degraded across all four ecosystem components. At more than half the monitored sites parrotfish and grouper abundance declined by more than 50%, while coral cover and macroalgae‐coral ratio declined by at least 30%. This resulted in an Endangered threat status for coral reefs in Kenya (under criterion D of the RLE). The results can guide management actions related to 9 of the 23 GBF targets. For example, we identified several sites with relatively healthy benthic and fish communities as candidate areas for protection measures under Target 3. The RLE has a key role to play in monitoring and meeting the goals and targets of the GBF, and our work demonstrates how using the wealth of data within these assessments can inform local‐scale ecosystem management and amplify the GBF's impact.
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.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle