Increased desertification exposure in dryland areas
Notice bibliographique
Résumé
• Desertification scope now includes hyper-arid areas using annual AI-based drylands. • Land cover conversion to bare areas identified desertified areas precisely. • The WorldPop population data reveals populations exposed to desertification. • Global desertified areas and population exposure surged between 2001 and 2018. • Desertified areas and population exposure form a self-reinforcing feedback loop. Desertification threatens livelihoods and sustainable development in dryland areas, with its risks further intensified by climate change and human activities. However, its extent and severity remain insufficiently quantified across global, regional, and national scales. Here we integrate annual aridity-index-based dryland classifications to indicate potential desertification areas, apply land cover conversion to bare areas to identify desertified areas, and use high-resolution population data to estimate both the number and spatial distribution of populations exposed to desertification at multiple scales. Between 2001 and 2018, the global desertified area increased by 5,387.8 ± 383.5 km 2 yr −1 , while the exposed population grew by 126,857 ± 6,723 people yr −1 . Population exposure exhibits pronounced spatial heterogeneity, particularly at the national level. As desertified areas expand, more people, who lack the resources to migrate, become increasingly dependent on degraded land, thereby further accelerating land degradation. This self-reinforcing feedback loop complicates efforts to achieve land degradation neutrality by 2030, as outlined in the United Nations Sustainable Development Goals. By explicitly incorporating hyper-arid areas and linking ecosystem service loss with population exposure, this study develops a cross-scale analytical framework that enhances the assessment of desertification exposure and offers new insights into global desertification risks.
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 | 0,001 |
| 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) | 0,005 | 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 ».