Synergies between climate change adaptation and mitigation in development
Notice bibliographique
Résumé
Purpose The purpose of this paper is to understand how cities at different stages of development each subject to its own challenges in adapting to climate change can manage greenhouse gas (GHG) emissions. Design/methodology/approach Case studies are undertaken for three cities: Amman, Jakarta and Dar es Salaam, including determination of GHG emissions and analysis of climate change data (where available) for each. Findings In Amman, the most climate‐sensitive municipal service is water; Jordan is exceptionally dry, and nearly 15 per cent of all electricity consumption is by the water authority. Jakarta has already experienced extreme flooding. The climate vulnerabilities associated with sea‐level rise are intensified by subsidence in parts of Jakarta. Alternating floods and droughts are climate impacts already experienced in Dar es Salaam. Droughts have impacted Tanzania's electricity infrastructure disrupting hydroelectricity production, requiring new natural gas infrastructure to maintain power, thereby increasing GHG emissions. Nonetheless, Dar es Salaam's GHG emissions at 0.56 t CO 2 e/cap are small compared to Amman and Jakarta at 3.66 and 4.92 t CO 2 e/cap., respectively. Originality/value Synergist development strategies, addressing climate change mitigation and adaptation are suggested. In Amman an increased share of photovoltaic electricity production might be used for service provision, especially for energy needs surrounding water supply. Advanced slum upgrading in Jakarta could see relocation of the at‐risk poor to safe areas with energy efficient homes connected to public transit and decentralized, community‐based electricity generation. The focus in Dar es Salaam community‐based waste‐to‐energy facilities would reduce climate change impacts and vulnerabilities while addressing energy poverty in poor communities.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».