Statistisk modellering av samlet belastning av menneskelig aktivitet på villreinområder. Identifisering av viktige leveområder og scenarioanalyser for konsekvensutredning og arealplanlegging
Bibliographic record
Abstract
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).
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 | 0.014 | 0.033 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.004 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.012 | 0.003 |
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".