Safeguarding marine protected areas from cumulative effects: a review of methods, best practices, and applications
Notice bibliographique
Résumé
Marine Protected Areas (MPAs) are key ocean conservation tools that can safeguard the diversity and function of marine ecosystems in the face of an increasing footprint and intensity of human activities. To be effective, MPA design, implementation, and management must consider not only individual, but also cumulative effects of historical, current and foreseeable future activities both within and outside MPA boundaries. Cumulative effects are seldom incorporated into MPA management as it can be challenging for MPA practitioners to select appropriate methods of assessment and integration. This paper examines two aspects of cumulative effects related to MPAs: a review of how cumulative effects are currently considered in MPA management worldwide, and a review of the primary and grey literature addressing cumulative effects knowledge and application in MPA contexts. The review of 646 global MPA management plans revealed that 36% did not contain any cumulative effects-related search terms and therefore likely lacked any provisions for, or even mentions of, cumulative effects. The review of cumulative effects knowledge found that few projects included all cumulative effects steps: scope and structure, assessment, and decision-making. Although significant advances have occurred in risk-based and spatial cumulative effects assessment methods over time, decision-making is rarely included in any cumulative effects projects. To bridge the gap between theory and practice, we propose a framework that embeds cumulative effects within the MPA designation and adaptive management process which will enable comprehensive scoping, meaningful assessments, and clear and transparent decision-making with respect to cumulative effects.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».