Les moteurs de la déforestation des mangroves urbaines du Grand Libreville (Gabon)
Bibliographic record
Abstract
Malgré leur importance dans la stabilité et la santé des environnements côtiers, les mangroves sont soumises à des pressions importantes, majoritairement causées par des moteurs anthropiques. Les objectifs sont de mesurer la régression des surfaces de mangrove entre 2007 et 2020 dans l’espace urbain du Grand Libreville (Gabon) et d’identifier les moteurs anthropiques de déforestation. Pour cela, deux méthodes complémentaires ont été appliquées : une analyse de la dynamique de l’occupation du sol de trois sites caractéristiques, à partir d’orthophotos à très haute résolution, fournies par Maxar Technologies, et des observations directes. Ainsi, entre 2007 et 2020, les changements d’occupation du sol à Okala-Angondjé, Lowé et Igoumié sont surtout marqués par la progression du bâti et son empiètement sur la végétation. Tous les sites ont connu des régressions nettes de mangrove : 35,6 hectares à Okala-Angondjé, 46,9 hectares à Lowé et 36,6 hectares à Igoumié, donnant lieu à un taux de déforestation global de 0,8% par an. Les reculs d’origine anthropique y représentent 57% des régressions à Okala-Angondjé, 96% à la rivière Lowé et 78% dans la zone d’Igoumié. Les moteurs de déforestation sont multiples : expansions résidentielles, installation de quartiers de pêcheurs, implantations hôtelières ou touristiques, création et extension des décharges d’ordures, industrialisation, développement portuaire et installations énergétiques. D’autres activités économiques ont provoqué quelques déforestations de mangrove, mais de plus faible ampleur : l’agriculture, l’élevage et l’aquaculture. Toutefois, le taux annuel de déforestation des mangroves urbaines dans la province gabonaise de l’Estuaire est plus élevé que la moyenne mondiale de déforestation des mangroves (0,11%).
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".