Private protected areas exhibit greater bias towards unproductive land compared to public protected areas
Notice bibliographique
Résumé
Abstract Globally, private protected areas (PPAs) have become an important tool for biodiversity conservation. While they are expanding in size and number, there is limited evidence on their potential impact on avoiding biodiversity loss, and how this impact compares to the public protected areas (public PAs). The impact of protection is measured as the actual biodiversity outcome within the area protected relative to the hypothetical outcome without protection. To maximise this positive impact, PAs need to be placed strategically on land that both harbours biodiversity and would be at risk of losing some of the biodiversity if it were not protected. We evaluate and compare the locations of PPAs and public PAs relative to random sites of similar governance type, and a range of covariates that capture biodiversity and the risk of biodiversity loss. We utilised data from a national PA database, and high-resolution data on nationally significant threatened species and indicators that capture risk of biodiversity loss at a continental scale in Australia. We find that PPAs tend to target areas of high threatened species richness. However, on average, PPAs are placed in areas that have lower risk of being cleared compared to randomly selected private land. We observe that this bias towards unproductive land is more prominent in PPAs when compared to public PAs. As nations work towards effectively conserving and managing at least 30% of the world’s lands by 2030 under the new Kunming-Montreal Global Biodiversity Framework, it becomes essential to prioritise PAs and PPAs that deliver impacts on avoiding biodiversity loss rather than solely focusing on areas that represent biodiversity.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».