Priority areas identification and management strategies for landscape forest restoration in Mozambique
Notice bibliographique
Résumé
In the last decades, Forest Landscape Restoration (FLR) emerged as a solution to restore ecological integrity while enhancing human well-being in deforested or degraded forest landscape. One key challenge in implementing FLR includes the identification of suitable intervention areas according to the restoration strategy (active or passive restoration) and the local socio-bioophysical constraints. The aim of this study was to develop a new approach to locate where forest landscape restoration would enhance multiple ecosystem functions and identified management strategies (passive or active restoration) in two districts in central Mozambique. The methodology involved (i) the ecosystem functions mapping to identify multifunctional hotspot and (ii) the assessment of the land-use history to differentiate areas with low or high regeneration potential. We derived three spatially-explicit ecosystem functions (biomass, soil carbon sequestration potential and forest connectivity) and one characteristic (woody species diversity potential) based on field inventory. We mapped and analyzed land-use history, defined by the current fallow age, the time since the first forest clearcutting and the number of crop-fallow cycles. The results showed that 118,629 ha were identified as priority areas (10.9% of the study area) for forest landscape restoration, with 42,255 ha (36%) with natural regeneration potential and 76,373 ha (64%) with low regeneration potential and would require human activities to recover ecosystem functionality and ability to provide ecosystem services. This study provides new insights for integrating ecosystem functions at landscape scale to support decision making for forest restoration and support the Mozambican government commitments to restore degraded landscapes at national scale.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».