Potential of different governance mechanisms for achieving Global Biodiversity Framework goals
Notice bibliographique
Résumé
Abstract The Kunming-Montreal Global Biodiversity Framework includes a target of 30% of land protected by 2030 and refers to other effective area based conservation measures (OECMs) as complementary to PAs, but robust evaluations of the effectiveness of governance mechanisms that could act as OECMs in preventing forest loss and carbon emissions remain sparse. Here we assessed the impact of PAs and two potential OECMS: Indigenous Lands (ILs), and Non-Timber Forest products Concessions (NTCs) on forest loss and its associated carbon emissions in the Peruvian Amazon from 2000 to 2021. We also assessed two governance mechanisms with a commercial extractive use, Logging (LCs) and Mining Concessions (MCs). We used a robust before–after control intervention study design, with statistical matching, to account for the non-random spatial distribution of deforestation pressure and the governance mechanisms analysed. PAs were the most effective, having avoided 88% of the expected forest loss, followed by NTCs (64%) and ILs (44%). LCs also reduced expected forest loss by 29%, while MCs increased expected forest loss by 24%, showing that extractive governance mechanisms can have marked differences in their impact to forest cover. Our study provides evidence of long-term positive impacts of potential OECMs and other mechanisms at preventing forest loss and reducing carbon emission. This information is key to more effectively achieve targets from the Kunming-Montreal Global Biodiversity Framework and the UN Framework Convention on Climate Change.
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 | 0,009 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».