Bringing Together Indigenous Knowledge and Simulation Modelling to Assess Cumulative Impacts to Indigenous Land Use in Northeastern Alberta, Canada
Notice bibliographique
Résumé
The capacity of environmental impact assessment to adequately consider cumulative effects on Indigenous territories in Canada is limited by several deficiencies, including the problematic use of recent or current state as a baseline, adopting a narrow spatial and temporal scope, and marginalizing Indigenous knowledge and experiences. The result is an environmental assessment process that strains Indigenous community resources yet fails to address concerns. Using the Fort McKay Métis Nation (FMMN) of northeastern Alberta as a case study, Indigenous knowledge and simulation modeling were brought together in pursuit of a more comprehensive assessment of cumulative effects on Indigenous land use. Focus group meetings and interviews established that the ability of FMMN members to hunt, fish, trap, and harvest in their territory has rapidly diminished in recent decades, a finding also documented by a simulation that reconstructed landscape changes occurring over the past 120 years across a 103,000 km 2 region. The direct footprint from industrial activities, negligible until the 1970s, has since expanded to over 5000 km 2 , largely due to oil sands and forestry development. Although impacts to moose, fisher, and low-bush cranberry habitat have been relatively minor, opportunity for Indigenous land use has declined substantially due to the effects of industrial footprint, protected areas, and military sites on the accessibility of the land. To facilitate application of this strategic perspective to project assessment, a web application was developed that allows FMMN to assess impacts of development proposals in combination with other past and potential future development relative to a natural baseline.
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 | 0,001 |
| 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 ».