Quantifying and valuing forests as a nature-based solution for ecosystem-based disaster risk reduction: A systematic review
Notice bibliographique
Résumé
Forests play a significant role in mitigating natural hazards and are increasingly recognized as nature-based solutions (NBS) for ecosystem-based disaster risk reduction (Eco-DRR). However, their protective effects remain under-quantified, limiting their integration into mainstream risk management practices. This systematic review investigates the current state of quantitative and monetary assessments of forests as Eco-DRR measures. To this end, we focused exclusively on studies reporting quantitative outcomes for forests across a broad range of gravitational and hydroclimatic hazards. The review aims to: 1) provide a comprehensive overview of the concepts and methodologies used to quantify the protective effects of forests; 2) summarize and analyze quantitative evidence and its variation across forest types, methodologies and hazard types; 3) identify research gaps; and 4) synthesize a conceptual framework to facilitate further research. We screened 3,568 papers, from which 77 studies were selected, comprising 155 data points. Drawing on the insights from these studies, we developed a conceptual framework to guide future research in this field. Methodologies for the quantification of protective effects were categorized into three main groups: hazard-based, risk-based, and economic valuation methods, with hazard-based approaches being the most frequently applied, followed by economic valuation. Reported monetary values for forest protective effects varied significantly, ranging from less than 1 USD to over 41,000 USD per hectare per year. We investigated potential sources of this variation, including forest type, hazard type, and the methodologies employed. Our findings underscore the need for more robust hazard models tailored to specific hazard types that integrate forest characteristics, climate change impacts, and post-disturbance forest recovery. We emphasize the importance of applying risk-based methods when evaluating the protective effect of forests. To this end, the review provides a framework to guide future efforts and support the integration of forests into disaster risk reduction and climate adaptation strategies.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».