Bridging conservation gaps under climate change at multiple scales to protect 30% of Earth's surface by 2030
Notice bibliographique
Résumé
The 30×30 commitment outlined in the Kunming-Montreal Global Biodiversity Framework (KM-GBF) offers a critical opportunity for enhancing global biodiversity conservation. However, KM-GBF's efforts to address climate change impacts remain limited. We developed 1-km-resolution hotspot maps for climate change vulnerability with the exposure-sensitivity-adaptation framework, species distribution for 4 terrestrial vertebrate taxa, and carbon stock capacity including organic and biomass carbon, for 2030. Then, we developed a systematic conservation planning approach that, beyond the 3 conservation features mentioned, also considered human activities, connectivity, and Shared Socioeconomic Pathways. The plan included the identification of conservation priorities and gaps for China and the Association of Southeast Asian Nations region (China-ASEAN) at regional, national, and biogeographical scales. We found that 6.59% of the land in China-ASEAN overlapped all 3 hotspots, primarily in Indonesia, Malaysia, and Cambodia. Across all 3 spatial scales, newly identified conservation priorities were concentrated in low-elevation areas, particularly between 10° S and 10° N at the regional scale. Currently, protected areas cover 15.49% of China-ASEAN's land, representing 7.00% of climate change vulnerability hotspots, 12.45% of species distribution potential hotspots, and 14.56% of carbon stock capacity hotspots for 2030. If the 30×30 commitment is realized at a regional scale, these percentages are expected to increase to 22.93%, 33.15%, and 34.75%, respectively. Areas of conservation priority identified with our framework were significantly affected by the scale of protection coordination, yet they remained stable across Shared Socioeconomic Pathways, indicating their effectiveness in diverse future scenarios. The biogeographical scale had the smallest average conservation gap for all 12 countries (13.14%). Financial challenges are highest for Indonesia at the regional scale and for Malaysia at the national and biogeographical scales. Precise conservation based on appropriate scales is essential to achieving the 30×30 commitment and maximizing its conservation effectiveness under climate change.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».