Data from: A landscape approach for optimizing the cost-effectiveness of large-scale forest restoration
<p>This is a complete dataset for achieving results of the manuscript "<strong>A landscape approach for optimizing the cost-effectiveness of large-scale forest restoration</strong>". </p> <p> </p> <p><strong>Abstract: </strong></p> <ol> <li>Achieving global targets for forest restoration will require cost-effective strategies to return agricultural land to forest, while minimizing implementation costs and negative outcomes for agricultural production.</li> <li>We present a landscape approach for optimizing the cost-effectiveness of large-scale forest restoration. Across three different landscapes within Brazil's Atlantic Forest biodiversity hotspot, we modelled landscape scenarios based on spatially-explicit data on the probability of natural regeneration, restoration costs, land opportunity costs, and forest restoration outcomes for increasing carbon stocking and landscape connectivity<em>.</em> We compare benefits of our cost-reduction approach to the legally mandated riparian restoration and randomly distributed approaches.</li> <li>Compared with riparian prioritization and considering both implementation and opportunity costs, our cost-reduction scenario produced the greatest savings (20.9%) in mechanized agricultural landscapes.</li> <li>When only considering implementation costs, our cost-reduction scenario led to the highest savings (38.4%) in the landscape with highest forest cover where natural regeneration potential is highest and enables cost-effective carbon stocking and connectivity.</li> </ol> <p><em>Synthesis and applications.</em> We present a guide for forest restoration planning that maximizes specific outcomes with minimal costs and reduction of agricultural production. Furthermore, we show how policies could encourage prioritization of low-cost restoration via natural regeneration, increasing cost-effectiveness. While our study focuses on Brazil’s Atlantic Forest, the approach can be parameterized for other regions.</p> <p><strong>Resumo:</strong></p> <ol> <li>Atingir metas globais para a restauração florestal exigirá estratégias economicamente viáveis para transformar terras agrícolas em floresta, minimizando custos de implementação e os resultados negativos para a produção agrícola.</li> <li>Apresentamos uma abordagem de paisagem para otimizar a relação custo-eficácia da restauração florestal em larga escala. Em três diferentes paisagens, no Bioma da Mata Atlântica, modelamos cenários baseados em dados espacialmente explícitos sobre a probabilidade de regeneração natural, custos de restauração, custos de oportunidade da terra e resultados de restauração florestal com o objetivo de aumentar o estoque de carbono e a conectividade da paisagem. Por fim, comparamos os benefícios da nossa abordagem de redução de custos com a tradicional abordagem de restauração da paisagem em zonas ripárias (áreas de preservação permanente) e abordagens de espacialidade aleatoriamente distribuídas.</li> <li>Comparado com a priorização ripária e considerando os custos de implementação e de oportunidade, nosso cenário de redução de custos produziu as maiores economias (20,9%) em paisagens agrícolas mecanizadas.</li> <li>Ao considerar apenas os custos de implementação, nosso cenário de redução de custos levou à maior economia (38,4%) na paisagem com maior cobertura florestal, onde o potencial de regeneração natural é maior e permite uma melhor relação de custo-oportunidade no estoque de carbono e na conectividade da paisagem.</li> </ol> <p><em>Síntese e aplicações.</em> Apresentamos aqui um guia para o planejamento de restauração florestal que maximiza resultados específicos com redução de custos e mínima influência na produção agrícola. Além disso, mostramos como políticas públicas poderiam incentivar a priorização da restauração de baixo custo via regeneração natural, aumentando a relação custo-benefício. Enquanto nosso estudo se concentra na Mata Atlântica do Brasil, a abordagem pode ser parametrizada para outras regiões.</p>
ShareScore
36/100
Overall dataset sharing score
Score breakdown
These five areas show where the dataset supports — or may limit — practical reuse.
- Stewardship
- 8
- Harmonization
- 4
- Access
- 12
- Reuse readiness
- 8
- Engagement
- 4