Moving beyond forest cover: Linking forest density, age, and fragmentation to diet
Notice bibliographique
Résumé
Forests support food security and nutrition worldwide, especially so for highly forest-dependent communities who collect a variety of food products from nearby forests. While the importance of forest cover to the diets of forest-dependent communities has been well-researched, little is known regarding the role of more specific forest characteristics - information that would be valuable for better identifying the landscapes that support a nutritious and diverse diet. To address this research gap, we linked child dietary data to remotely-sensed geospatial indicators of surrounding forest characteristics - using more nuance than is typically undertaken - by examining forest age, tree density, and forest fragmentation in Kenya's East African Montane Forests. Interestingly, dietary diversity of children demonstrated no or relatively weak associations with forest characteristics. However, by parsing out individual food groups, we exposed the nuance and complexities associated with the forest-diet relationship. Vegetable/fruit consumption was positively associated with open and moderately dense forest cover, but negatively associated with fragmented forest cover. The consumption of meat and vitamin A-rich fruit was positively associated with younger forest cover, and negatively associated with dense forest cover. Older forest cover was positively associated with green leafy vegetable consumption, but negatively associated with other vegetable/fruit consumption. Our findings provide suggestive evidence that there is no single 'ideal' type of forest for supporting food security and nutrition - rather, different types of forests are associated with different dietary benefits. Taken together, these results indicate the need for more in-depth research that accounts for factors beyond the proximity and amount of generic forest cover.
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 | 0,001 | 0,003 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».