Assessing Assisted Natural Regeneration as a Cost‐Efficient Mitigation for Climate Change and Biodiversity Loss in China
Notice bibliographique
Résumé
Abstract Global deforestation results in climate change and biodiversity loss. Assisted natural regeneration (ANR) emerges as a promising approach to achieving global forest restoration targets, yet its potential and benefits for climate and biodiversity in China remain underexplored. Here, we assessed ANR potential across China and modeled spatial prioritization strategies targeting climate mitigation, biodiversity conservation, and cost savings, individually and in combination, as well as strategies considering spatial constraints from current forest restoration projects and fragmentation mitigation. From 1995 to 2015, 3.40 million hectares of land naturally regenerated into forests, with an additional 5.11 million hectares identified as potential regeneration areas, which could contribute to 12.41% of China's restoration goal in 2035. Spatial prioritization revealed limited overlap among the three single‐objective ANR strategies, while a multi‐objective optimization strategy emerged as the most effective solution to achieve synergies among goals. The top 30% of prioritized areas under the multi‐objective strategy could sequester 46.54 gigatons of CO 2 , reduce extinction risks of forest‐dependent species by 40.64%, and lower implementation costs by 31.55% compared to monoculture tree plantations. Our findings highlight that strategic spatial prioritization of ANR could mitigate climate change and biodiversity loss in a cost‐efficient manner and have the potential to reinforce current forest restoration 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 ».