Contribution of Protected Area Networks to Achieving Global Biodiversity Framework Targets and Sustainable Development Goals: Evidence From Coastal Shandong, China
Notice bibliographique
Résumé
The protected area network (PAN) is a vital strategy for enhancing ecological integrity and connectivity. However, its contributions to the Kunming-Montreal Global Biodiversity Framework (GBF) 2030 Targets and Sustainable Development Goals (SDGs) remain understudied due to limited indicator assessments and regional case comparisons. This study applied circuit theory to construct and optimize a PAN in China's coastal region. First, resistance surfaces were mapped, connectivity corridors identified, and network key points determined. Second, the network structure was analyzed to classify source areas and corridors by importance and to identify potential conservation zones. Finally, the PAN's contributions to GBF Targets 2 and 3, SDG 15 indicators, and related synergistic benefits were quantified using coverage-based performance metrics and spatial analysis. The results show that the PAN raises protected-area coverage to 33.3%, meeting the GBF 30 × 30 target, boosts SDG 15 terrestrial protection by 50% above the regional average, and supports other SDGs. Key connectivity points align along the coastal belt, with eight regions exhibiting both pinch points and barriers, underscoring the complexity of coastal-terrestrial ecotones. This study highlights the unique role of coastal PANs in global conservation and recommends refined assessment frameworks and collaborative planning to enhance their international applicability.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».