Deep-sea mining and its risks for social-ecological systems: Insights from simulation-based analyses
Notice bibliographique
Résumé
The pros and cons of deep-sea mining (DSM) is currently hotly debated. Here, we assess the environmental, economic, and social risks of DSM by comparing scenarios with and without DSM involvement. The "Without" scenario relies solely on land-based mining and circular economy solutions, while the "With" scenario incorporates DSM alongside circular strategies, highlighting the dangers of heavy DSM dependence. Through literature review and expert interviews, our study identifies key risk indicators across environmental, economic, and social dimensions, forming a comprehensive assessment framework. Through the application of qualitative data and fuzzy cognitive mapping, the analysis reveals that environmental factors are the most influential (centrality: 1.46), followed by social (1.32) and economic (1.0) factors. In the "With DSM" scenario, all indicators show increased risks, with environmental factors, particularly "coastal state vulnerability," experiencing a 13% rise. Social risks, including "violation of law," "participatory rights," "lack of effective control," and "degraded reputation," increase by 8-11%, while economic risks, such as "contractual violations," "lack of special provision," "knowledge gap on economic assistance fund" and disputes among "multiple stakeholders," see an 11% uptick. Our results suggest that the risks DSM poses to deep-sea marine ecosystems are likely too significant to justify its pursuit and advocates for circular economy solutions as viable alternatives to mitigate environmental, social, and economic risks. We recommend that policies should promote circular practices through resource recovery incentives.
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 ».