Quantifying the national responsibilities for the conservation of transboundary migratory species Siberian ibex
Notice bibliographique
Résumé
Transboundary conservation is critical to halting global biodiversity loss, yet transboundary species represent a particular challenge in terms of who is primarily responsible for their conservation and how to coordinate between range states. Based on intensive field surveys from 2010 to 2023 and systematic data compilation from multilingual literature, we developed the first quantitative framework for assessing national conservation responsibilities for Siberian ibex ( Capra sibirica ) across its 11-country distribution. We integrated ensemble species distribution models with systematic conservation planning to identify 48 Landscape Conservation Units (LCUs), then applied an entropy weight method to quantify each country’s conservation responsibility based on ecological importance, protection effectiveness, and national capacity. Our assessment reveals a three-tier classification: high-responsibility countries (China, Turkmenistan, Mongolia), medium-responsibility countries (Russia, Kazakhstan, Tajikistan, India), and low-responsibility countries (Kyrgyzstan, Pakistan, Afghanistan, Uzbekistan). China holds the highest responsibility (score = 0.678) due to its extensive LCUs (45.68 % of total LCUs) and high national capacity, though its low protected area coverage (15.18 %) indicates urgent need for conservation investment. While climate change threatens future habitat availability, anthropogenic pressures from infrastructure development and inadequate protection networks pose more immediate challenges. Our responsibility assessment framework provides a replicable protocol for other transboundary migratory species, helping countries work together more fairly and effectively to prevent extinctions.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».