Livelihood vulnerability assessment to climate variability and change using fuzzy cognitive mapping approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Existing studies in the context of assessing vulnerability to climate variability and change delineate, rather inadequately, interconnected interactions occurring within the climate-human-environment interaction space. Besides, studies documenting stakeholders’ perceptions regarding climate change induced vulnerabilities are limited in terms of providing indicators for decision-making. This paper aims at constructing a livelihood vulnerability index for climate variability and change capturing interconnected interactions based on peoples’ perceptions while providing indicators for evidence based decision-making. A semi-quantitative fuzzy cognitive mapping (FCM) approach has been deployed to capture peoples’ perceptions of climate induced perturbations and adaptations. This approach helps quantify stakeholders’ perspectives while capturing interconnected interactions in order to estimate livelihood vulnerability to climate variability and change of poor agro-pastoralists in the Bhilwara, a district in Western India. Combining the FCM approach with a sustainable livelihood framework warrants an understanding of assets sensitive to climate variability and change along with those serving as adaptive capacities. The findings of this study confirm that financial and natural assets are most susceptible to harm while organisational and financial assets provide resilience against climate variability and change. The results suggest that livelihood vulnerability of agro-pastoralists lie in the range of being ‘vulnerable’ to climate variability and change while varying across three seasons summer, winter, and rainfall.
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.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle