Managing Protected Areas in Multi-functional Landscapes - Supporting the implementation of the Kunming-Montreal Global Biodiversity Framework
Notice bibliographique
Résumé
Human activities have caused biodiversity to decline at an alarming rate in recentdecades, with land and sea use changes, overexploitation of natural resources,pollution, invasive alien species and climate change as the main drivers (IPBES, 2019).The resulting numbers speak for themselves: 75% of the Earth’s surface has beensignificantly altered, global wildlife populations have declined by 69% in the last fiftyyears, and pollution is threatening all ecosystems, for instance, 90% of ocean speciesthat were assessed are adversely affected by plastic pollution (Tekman et al., 2022;WWF, 2022).To address the triple planetary crisis, and to put nature on a path to recovery,governments adopted the Kunming-Montreal Global Biodiversity Framework (GBF) inDecember 2022. Amongst the several provisions of the document, Target 3 calls forthe protection and effective conservation of at least 30% of the planet by 2030, whileTarget 1 calls for all areas to be under participatory, integrated and biodiversity inclusivespatial planning and/or effective management processes (CBD, 2022).Protected areas have become the cornerstone for biodiversity conservation worldwide.They need to protect key habitats and species, and simultaneously support naturalprocesses across various landscapes. However, with humans present and invested inmost land- and seascapes, protected areas need to be compatible with many differentcircumstances and surroundings (Hughes & Grumbine, 2023; IPBES, 2019). Here iswhere RECONNECT can contribute with key insights and support the implementationof the Global Biodiversity Framework.
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 | 0,010 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,004 | 0,009 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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 ».