Assessing the success of marine ecosystem restoration using meta-analysis
Notice bibliographique
Résumé
Marine ecosystem restoration success stories are needed to incentivize society and private enterprises to build capacity and stimulate investments. Yet, we still must demonstrate that restoration efforts can effectively contribute to achieving the targets set by the UN Decade on Ecosystem Restoration. Here, we conduct a meta-analysis on 764 active restoration interventions across a wide range of marine habitats worldwide. We show that marine ecosystem restorations have an average success of ~64% and that they are: viable for a large variety of marine habitats, including deep-sea ecosystems; highly successful for saltmarshes, tropical coral reefs and habitat-forming species such as animal forests; successful at all spatial scales, so that restoration over large spatial scales can be done using multiple interventions at small-spatial scales that better represent the natural variability, and scalable through dedicated policies, regulations, and financing instruments. Restoration interventions were surprisingly effective even in areas where human impacts persisted, demonstrating that successful restorations can be initiated before all stressors have been removed. These results demonstrate the immediate feasibility of a global ‘blue restoration’ plan even for deep-sea ecosystems, enabled by increasing availability of new and cost-effective technologies. This study evaluated the success of marine ecosystem restoration efforts through a descriptive statistical comparison, a formal meta-analysis conducted on 764 active restoration interventions, and by using a mixed model based on a spectrum of survival data reported in the reviewed literature.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,033 | 0,071 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,010 | 0,039 |
| Bibliométrie | 0,010 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».