Statistisk modellering av samlet belastning av menneskelig aktivitet på villreinområder. Identifisering av viktige leveområder og scenarioanalyser for konsekvensutredning og arealplanlegging
Notice bibliographique
Résumé
Panzacchi, M., van Moorter, B., Tveraa, T., Rolandsen, C. M., Gundersen, V., Lelotte, L., A., Dos Santos, B. B. N., Bøthun, S. W., Stien, A., Andersen, R., Strand, O. 2022. Statistisk modellering av samlet belastning av menneskelig aktivitet på villreinområder. Identifisering av viktige leveområder og scenarioanalyser for konsekvensutredning og arealplanlegging. NINA Rapport 2189.\nNorsk institutt for naturforskning. Villrein er truet både nasjonalt og internasjonalt, og flere bestander har gått kraftig tilbake de siste tiårene. Det er flere forhold som påvirker denne tilbakegangen, men det er godt dokumentert at forstyrrelser fra mennesker gjennom habitatødeleggelse, fragmentering og bruk av utmark til ulike formål har negativ innvirkning på reinens levedyktighet. Tilbakegangen i reinsbestandene har ført til at mye forskning er utført for å forstå og dokumentere hvordan reinen påvirkes av ulike forstyrrelseskilder. \nI det siste tiåret har vi utviklet statistiske metoder og en programvare (ConScape) for å beregne kvaliteten på alle villreinens leveområder og bevegelseskorridorer, og ikke minst hvordan disse påvirkes av ulike typer menneskelig infrastruktur og aktiviteter («samla belastning» eller «kumulative effekter»). Modellene bygger på GPS-data fra de største villreinområdene, og en stor mengde data fra hele Norge, som inkluderer landskapsdata (topografi, vegetasjon, veger, utbygginger, vannkraft, sti- og løypenett, turistvolum, private hytter, turisthytter osv.), data om klima, og lokalkunnskap på enkelte områder. \nDerfor finnes det i dag flere forskjellige statistiske kart som beskriver hvordan villrein oppfatter ressurser og barrierer på lokalskala, og hvilke områder og korridorer som er mest funksjonelle for villrein på større landskapsskala. Det siste er spesielt viktig, ettersom reinen oppfatter landskapet som et sammenhengende nettverk av matressurser eller områder som brukes til andre behov, som den får tilgang til gjennom korridorer. Det er imidlertid også områder som unngås fordi den samla belastningen av menneskelig aktivitet er for stor til at reinen våger å bevege seg inn i disse områdene, til tross for at de næringsmessig fremstår som gode områder. Alle kart, beskrivelsen av metoden og referanser til vitenskapelige og populær-vitenskapelige artikler er tilgjengelig i Nett-Appen:\nhttps://www.nina.no/Naturmangfold/Hjortedyr/reindeermapsnorway.\nBasert på modellene er det i tillegg utviklet et simuleringsverktøy for å støtte bærekraftig arealplanlegging og konsekvensutredning gjennom scenarioanalyser. Verktøyet er så langt brukt til å forutsi den forventede effekten av 80 avbøtende tiltak foreslått av lokale eksperter for å minimere samla belastning på reinsdyrs habitatfunksjonalitet og bevegelseskorridorer i flere områder i Norge (Setesdal, Nordfjella, Snøhetta, Hardangervidda; se Appendiks 1 og Nett-App). Scenarioer som kan testes inkluderer fjerning/stenging/omplassering av eksisterende infrastruktur, eller bygging av ny infrastruktur (eks. hytte, vei, sti, skiløype), endringer i bruksintensiteten (f.eks. av stier, hytter, veger), eller klimaendringer. \nDen statistiske tilnærmingen, programvare, kart, Nett-Appen og scenarioanalyser er utviklet i forskingsrådsprosjektene ledet av NINA «RenewableReindeer» (lenke), «ProdChange» og «OneImpact», samt i det relaterte prosjektet «Scenario analyse Øyulvsbu og formidling»; sammenligningen mellom statistiske kart med kart basert på ekspertvurderinger som brukes i kvalitetsnormene er støttet av Miljødirektoratets prosjekt «OneImpact og kvalitetsnorm for villrein». Disse prosjektene ble eller er støttet av flere prosjektpartnere og finansieringskilder, inkludert Miljødirektoratet, Norges vassdrags- og energidirektorat NVE, Sira Kvina Kraftselskap, Villreinprosjektet i Setesdalsheiene v/ Statkraft, Norsk Villreinsenter, Villreinrådet, Siri Bøthun Naturforvaltning, Norges miljø-og biovitenskapelige universitet NMBU, og flere internasjonale samarbeidspartnere (Universite Catholique Louvain, Julia Computing Inc, Sveriges lanbruksuniversitet SLU, University of Guelp, Canada, University of Alberta, Canada, The Nature Conservancy, Universidad Politecnica de Madrid, University of Glasgow).\nI Norge er det iverksatt prosesser og forvaltningstiltak for å motvirke forringelse av villreinområder. I 2020 vedtok regjeringen en kvalitetsnorm for villrein, for å oppfylle både internasjonale forpliktelser og nasjonale mål for bevaring av levedyktige bestander innenfor sine naturlige utbredelsesområder. Hvert fjerde år skal hvert av de 24 villreinområdene klassifiseres som enten god (grønn), middels (gul) eller dårlig (rød), basert på tre delnormer: 1) bestandsforhold; 2) lavbeiter; og 3) leveområde og menneskelig påvirkning. \nDelnorm 3 er et viktig verktøy for å dokumentere i hvor stor grad målene om å ta vare på villreinens leveområder nåes. Delnorm 3 tar sikte på å identifisere kritiske reduksjoner i habitatenes kvalitet og i hvor stor grad ulike områder henger sammen sett fra villreinens ståsted. På denne måten skal årsaken til endringer identifiseres, og statusen til området gjenopprettes til akseptable nivåer (gul) så raskt som mulig gjennom tiltak. På lengre sikt er målet at alle nasjonale villreinområder skal ha god kvalitet (grønn). Metoden(e) bør derfor være i stand til å identifisere områder der tap av habitat og fragmentering har økt over en kritisk terskel, og deretter kunne gi informasjon om det sannsynlige relative bidraget som skyldes menneskelig infrastruktur og aktiviteter.\nI gjeldende kvalitetsnorm er delnorm 3 basert på ekspertbaserte vurderinger av endringer i villreinobservasjoner, som antas å reflektere endringer i menneskelig påvirkning. Prosessen innebærer avgrensning av polygoner som representerer reinens sesongmessige utbredelse, bevegelseskorridorer og et sett med fokusområder der sosioøkologiske utfordringer knyttet til menneskelige aktiviteter er identifisert. I fokusområdene vurderer ekspertene villreinens bruk av området de 10 siste årene sammenlignet med forventningen basert på siste 50 år. Klassifiseringen utføres deretter ved å vurdere andelen tapt habitat innenfor alle fokusområder, sammenlignet med habitatet som er tilgjengelig innenfor sesongområdet.\nI denne rapporten gir vi en oversikt over den statistiske tilnærmingen og kartene, og vi evaluerer hvor likt to ulike tilnærminger (statistisk og ekspertbasert) identifiserer kritiske reduksjoner i habitatkvalitet og konnektivitet. I vårt tilfelle vil det i stor grad si at vi sammenligner de "statistiske kartene" med de "ekspertbaserte polygonene" identifisert i Delnorm 3. Vi diskuterer erfaringene ved å sammenligne de to tilnærmingene, og hvordan disse kan bidra til å nå målene for forvaltning av villreinområder. Dette var hovedfokus i prosjektet «OneImpact og kvalitetsnorm for villrein» finansiert av Miljødirektoratet. Vi utfører også en test, ved å utføre en foreløpig statistisk klassifisering av tilstanden i villreinområdene etter Delnorm 3. Til slutt viser vi hvordan de statistiske kartene kan bidra til å avdekke hvilke av de 76 avbøtende tiltakene eller planleggingsalternativene om ble foreslått i Setesdal, Nordfjella og Snøhetta som vil være mest effektive for å tilbakeføre beiteområder til villreinen (Appendiks 1).
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 | 0,014 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,003 |
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 ».