Making protected areas effective for biodiversity, climate and food
Notice bibliographique
Résumé
The spatial extent of marine and terrestrial protected areas (PAs) was among the most intensely debated issues prior to the decision about the post-2020 Global Biodiversity Framework (GBF) of the Convention on Biological Diversity. Positive impacts of PAs on habitats, species diversity and abundance are well documented. Yet, biodiversity loss continues unabated despite efforts to protect 17% of land and 10% of the oceans by 2020. This casts doubt on whether extending PAs to 30%, the agreed target in the Kunming-Montreal GBF, will indeed achieve meaningful biodiversity benefits. Critically, the focus on area coverage obscures the importance of PA effectiveness and overlooks concerns about the impact of PAs on other sustainability objectives. We propose a simple means of assessing and visualising the complex relationships between PA area coverage and effectiveness and their effects on biodiversity conservation, nature-based climate mitigation and food production. Our analysis illustrates how achieving a 30% PA global target could be beneficial for biodiversity and climate. It also highlights important caveats: (i) achieving lofty area coverage objectives alone will be of little benefit without concomitant improvements in effectiveness, (ii) trade-offs with food production particularly for high levels of coverage and effectiveness are likely and (iii) important differences in terrestrial and marine systems need to be recognized when setting and implementing PA targets. The CBD's call for a significant increase in PA will need to be accompanied by clear PA effectiveness goals to reduce and revert dangerous anthropogenic impacts on socio-ecological systems and biodiversity.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».