Identifying socioeconomic and biophysical factors driving forest loss in protected areas.

Protected areas (PAs) are a commonly used strategy to confront forest conversion and biodiversity loss. Although determining drivers of forest loss is central to conservation success, understanding of them is limited by conventional modeling assumptions. We used random forest regression to evaluate potential drivers of deforestation in PAs in Mexico, while accounting for nonlinear relationships and higher order interactions underlying deforestation processes. Socioeconomic drivers (e.g., road density, human population density) and underlying biophysical conditions (e.g., precipitation, distance to water, elevation, slope) were stronger predictors of forest loss than PA characteristics, such as age, type, and management effectiveness. Within PA characteristics, variables reflecting collaborative and equitable management and PA size were the strongest predictors of forest loss, albeit with less explanatory power than socioeconomic and biophysical variables. In contrast to previously used methods, which typically have been based on the assumption of linear relationships, we found that the associations between most predictors and forest loss are nonlinear. Our results can inform decisions on the allocation of PA resources by strengthening management in PAs with the highest risk of deforestation and help preemptively protect key biodiversity areas that may be vulnerable to deforestation in the future.

Identificación de los factores biofísicos y socioeconómicos que impulsan la pérdida de bosques en las áreas protegidas Resumen Las áreas protegidas son una estrategia de uso común para hacer frente a la conversión forestal y la pérdida de biodiversidad. Aunque determinar los factores que impulsan la pérdida de bosques es fundamental para el éxito de la conservación, su comprensión se ve limitada por los supuestos de modelación convencionales. Utilizamos la regresión de bosques aleatorios para evaluar los posibles impulsores de la deforestación en las áreas protegidas de México, considerando las relaciones no lineales y las interacciones de orden superior que subyacen a los procesos de deforestación. Los impulsores socioeconómicos (densidad de carreteras, densidad de población humana) y las condiciones biofísicas subyacentes (precipitaciones, distancia al agua, elevación, pendiente) fueron predictores más fuertes de la pérdida de bosques que las características de las áreas protegidas, como la edad, el tipo y la efectividad de la gestión. Dentro de las características de las áreas protegidas, las variables que reflejan una gestión colaborativa y equitativa y el tamaño del área protegida fueron los predictores más potentes de la pérdida de bosques, aunque con menor poder explicativo que las variables socioeconómicas y biofísicas. A diferencia de los métodos utilizados anteriormente, que suelen basarse en el supuesto de relaciones lineales, observamos que las asociaciones entre la mayoría de los predictores y la pérdida de bosques no son lineales. Nuestros resultados pueden servir de base para la toma de decisiones sobre la asignación de los recursos para las áreas protegidas, reforzando la gestión en las zonas protegidas con mayor riesgo de deforestación y ayudando a proteger de forma preventiva zonas clave para la biodiversidad que pueden ser vulnerables a la deforestación en el futuro.

Predicting landscape-scale biodiversity recovery by natural tropical forest regrowth.

Natural forest regrowth is a cost-effective, nature-based solution for biodiversity recovery, yet different socioenvironmental factors can lead to variable outcomes. A critical knowledge gap in forest restoration planning is how to predict where natural forest regrowth is likely to lead to high levels of biodiversity recovery, which is an indicator of conservation value and the potential provisioning of diverse ecosystem services. We sought to predict and map landscape-scale recovery of species richness and total abundance of vertebrates, invertebrates, and plants in tropical and subtropical second-growth forests to inform spatial restoration planning. First, we conducted a global meta-analysis to quantify the extent to which recovery of species richness and total abundance in second-growth forests deviated from biodiversity values in reference old-growth forests in the same landscape. Second, we employed a machine-learning algorithm and a comprehensive set of socioenvironmental factors to spatially predict landscape-scale deviation and map it. Models explained on average 34% of observed variance in recovery (range 9-51%). Landscape-scale biodiversity recovery in second-growth forests was spatially predicted based on socioenvironmental landscape factors (human demography, land use and cover, anthropogenic and natural disturbance, ecosystem productivity, and topography and soil chemistry); was significantly higher for species richness than for total abundance for vertebrates (median range-adjusted predicted deviation 0.09 vs. 0.34) and invertebrates (0.2 vs. 0.35) but not for plants (which showed a similar recovery for both metrics [0.24 vs. 0.25]); and was positively correlated for total abundance of plant and vertebrate species (Pearson r = 0.45, p = 0.001). Our approach can help identify tropical and subtropical forest landscapes with high potential for biodiversity recovery through natural forest regrowth.

Predicción de la Recuperación de la Biodiversidad a Escala de Paisaje según la Regeneración Natural del Bosque Tropical Resumen La regeneración natural del bosque es una solución rentable para la recuperación de la biodiversidad basada en la naturaleza, sin embargo, los diferentes factores socioambientales pueden derivar en resultados variables. Cómo predecir la ubicación en donde la regeneración natural del bosque recuperará los niveles de biodiversidad, los cuales son un indicador del valor de la conservación y un suministro potencial de diferentes servicios ambientales, es un vacío de conocimiento importante en la planeación de la restauración forestal. Buscamos predecir y mapear la recuperación a escala de paisaje de la riqueza de especies y la abundancia total de vertebrados, invertebrados y plantas en bosques tropicales y subtropicales de segundo crecimiento para guiar la planeación de la restauración. Primero, realizamos un metaanálisis mundial para cuantificar la medida a la que se desvió la recuperación de la riqueza y la abundancia total de especies en los bosques de segundo crecimiento de los valores de biodiversidad en los bosques antiguos referenciales en el mismo paisaje. Después, utilizamos un algoritmo de aprendizaje automático y un conjunto integral de factores socioambientales para predecir espacialmente la desviación a escala de paisaje para después mapearla. Los modelos explicaron en promedio el 34% de la varianza observada en la recuperación (rango de 9-51%). La recuperación de la biodiversidad a escala de paisaje en los bosques de segundo crecimiento pudo predecirse espacialmente con base en los factores socioambientales del paisaje (demografía humana, uso y cobertura del suelo, alteraciones naturales y antropogénicas, productividad del ecosistema, tipo de topografía y de suelo); fue significativamente más alta para la riqueza de especies que para la abundancia total de vertebrados (desviación media pronosticada ajustada al rango de 0.09 versus 0.34) e invertebrados (0.2 versus 0.35) pero no para las plantas (las cuales mostraron una recuperación similar para ambas medidas [0.24 versus 0.25]); y tuvo una correlación positiva para la abundancia de especies de plantas y vertebrados (Pearson r =0.45, p=0.001). Nuestra estrategia puede ayudar a identificar los paisajes de bosques tropicales y subtropicales con un potencial alto para la recuperación de la biodiversidad por medio de la regeneración natural del bosque.

Predicting and setting conservation priorities for Bolivian mammals based on biological correlates of the risk of decline.

The recognition that growing proportions of species worldwide are endangered has led to the development of comparative analyses to elucidate why some species are more prone to extinction than others. Understanding factors and patterns of species vulnerability might provide an opportunity to develop proactive conservation strategies. Such comparative analyses are of special concern at national scales because this is the scale at which most conservation initiatives take place. We applied powerful ensemble learning models to test for biological correlates of the risk of decline among the Bolivian mammals to understand species vulnerability at a national scale and to predict the population trend for poorly known species. Risk of decline was nonrandomly distributed: higher proportions of large-sized taxa were under decline, whereas small-sized taxa were less vulnerable. Body mass, mode of life (i.e., aquatic, terrestrial, volant), geographic range size, litter size, home range, niche specialization, and reproductive potential were strongly associated with species vulnerability. Moreover, we found interacting and nonlinear effects of key traits on the risk of decline of mammals at a national scale. Our model predicted 35 data-deficient species in decline on the basis of their biological vulnerability, which should receive more attention in order to prevent their decline. Our results highlight the relevance of comparative analysis at relatively narrow geographical scales, reveal previously unknown factors related to species vulnerability, and offer species-by-species outcomes that can be used to identify targets for conservation, especially for insufficiently known species.