Beyond imperfect maps: Evidence for <scp>EUDR</scp>‐compliant agroforestry
Notice bibliographique
Résumé
Abstract Not all good intentions lead to effective and fair policy designs, as their implementation creates new problems. The European Union Deforestation Regulation (EUDR) may be an example. In targeting ‘deforestation‐free’ trade, it forces a complex social–ecological reality into an oversimplified forest–non‐forest representation. The forest definition used refers to tree cover but excludes farmer‐managed agroforestry (AF). Not all tree cover indicates forest, as forest‐like forms of agriculture (AF) exist, for example producing much of the worlds' cacao, coffee and rubber. The EUDR design trusts maps and relies on detailed spatial data to verify the deforestation‐free claims needed for access to EU markets. Tree cover is observable in remote sensing; the intended exclusion of AF is not. No map is perfect but for global forest maps prepared for EUDR use there is 18% chance a forest pixel is considered non‐forest in other data, all supposedly based on the same forest definition and cut‐off date. Map errors imply two types of risk: non‐compliant imports to the EU (that ‘fraud prevention’ tries to avoid) or unjustified exclusion (collateral damage). Globally, the EUDR maps claim 12% more forest in 2020 than national data compiled by FAO suggests; in specific countries, the gap is wider. The probability that an AF garden producing coffee cocoa or rubber is (erroneously) mapped as forest is two‐thirds for a study in Indonesia. Elsewhere similar problems have been noted. Data sources beyond direct earth observation will be needed to legally establish pre‐2021 agroforestry as a source of EUDR‐compliant commodity trade. We present a typology for such evidence. Evidence can be based on direct observations on the ground or remotely, based on what people say and on accounts of what they did. Read the free Plain Language Summary for this article on the Journal blog.
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 ».