Testing the effect of ecosystem service and land classification on global values of forested watershed ecosystem services
Notice bibliographique
Résumé
Forested watersheds provide a variety of ecosystem services. Their economic valuation has increased significantly over the past decades, but the literature is fragmented and heterogenous and little has been done to systematically analyse estimated values. This paper presents a global meta-analysis of the economic values of forested watershed services (FWS). We address two key methodological issues in the literature: the impact of FWS classification on value estimates and sensitivity to scale based on the stock of FWS. The latter is measured as the forested watershed area size compared to common practices to measure overall area size including other land cover and use. In the former case, we compare the detailed Common International Classification of Ecosystem Services (CICES) with more simple and informal classifications found in the literature. We show that both the explanatory and predictive power of the estimated meta-regression models increase as we include more details about the valued FWS and use more accurate estimations of the stock of FWS. Findings are cross-validated with the existing forest hydrology literature. The study highlights the economic significance of maintaining forest cover in watershed areas and the need for more harmonised and accurate reporting of the flow and stock of FWS in the non-market valuation literature. • Meta-analysis explores variation in global values of forested watershed services. • Detailed ecosystem service classification improves model explanatory and predictive power. • Forest area size better explains value variation than total site area. • Hydropower-related FWS yield the highest economic value estimates. • PES schemes yield lower forested watershed service values than valuation approaches.
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 | 0,000 |
| 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 ».