Competition risk among production-living-ecological space of Mainland Southeast Asia in 2050
Notice bibliographique
Résumé
Balancing ecological conservation and social development is essential for meeting global sustainability targets, exemplified by the Kunming-Montreal Global Biodiversity Framework’s Target 3 to protect at least 30% of critical biodiversity areas by 2030 through protected area expansion. However, social development cannot always yield to ecological targets, making the implementation of this target face significant challenges, particularly in developing countries. Spatial competition emerges as expanding ecological spaces often conflict with areas designated for human production and living—a phenomenon expected to intensify in the context of global change. In this study, we define the concept of "spatial competition" and use Mainland Southeast Asia as a case study to map the competition risks among production, living, and ecological spaces in 2050, and analyze inter-country variations. We found that urban–biodiversity competition risks concentrate in major cities, while cropland–biodiversity risks are prevalent in southeastern coastal and central regions—with 10–40% of urban lands and over 50% of croplands overlapping with biodiversity hotspots. We then analyzed the underlying driving factors of competition risk using a random forest model. The analysis shows that 25 variables (including human and environmental factors) significantly contribute to these risks, with urban–biodiversity competition risk driven mainly by socioeconomic factors (e.g., GDP, nighttime lights) and cropland–biodiversity risk by road density and environmental factors (e.g., slope, precipitation). These findings underscore an intensifying spatial competition, provide a theoretical framework to address the protection-development dilemma, and offer insights for sustainable development strategies in developing regions.
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 ».