Mapas nacionales de la huella humana para Perú y Ecuador
Bibliographic record
Abstract
Los mapas de huella humana (HH) puntúan las presiones humanas en función de su influencia y las integran en un único índice espacial para evaluar la naturalidad de los ecosistemas. Hemos elaborado una serie histórica de mapas nacionales de HH para Perú y Ecuador con el fin de reportar sobre el Objetivo de Desarrollo Sostenible 15 (ODS 15). Estos mapas integran las presiones derivadas de los entornos construidos, la cobertura y el uso del suelo (agricultura, pastos, plantaciones de árboles), las carreteras y las líneas férreas, la densidad de población, las infraestructuras eléctricas, las infraestructuras de petróleo y gas, y la minería. El conjunto de datos incluye mapas de HH y mapas de presión individuales para Perú desde 2012 hasta 2021, así como para Ecuador para los años 2014, 2016, 2018, 2020 y 2022. Estos mapas respaldan el análisis de los patrones espaciotemporales de la influencia humana a nivel nacional y subnacional, lo que permite el monitoreo, el modelamiento y la conservación de la biodiversidad en estos países con una gran biodiversidad. Versión original en inglés en el siguiente enlace https://doi.org/10.1038/s41597-025-06301-0
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.006 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.005 | 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".