Opportunities for natural infrastructure to improve urban water security in Latin America
Notice bibliographique
Résumé
Governments, development banks, corporations, and nonprofits are increasingly considering the potential contribution of watershed conservation activities to secure clean water for cities and to reduce flood risk. These organizations, however, often lack decision-relevant, initial screening information across multiple cities to identify which specific city-watershed combinations present not only water-related risks but also potentially attractive opportunities for mitigation via natural infrastructure approaches. To address this need, this paper presents a novel methodology for a continental assessment of the potential for watershed conservation activities to improve surface drinking water quality and mitigate riverine and stormwater flood risks in 70 major cities across Latin America. We used publicly available geospatial data to analyze 887 associated watersheds. Water quality metrics assessed the potential for agricultural practices, afforestation, riparian buffers, and forest conservation to mitigate sediment and phosphorus loads. Flood reduction metrics analyzed the role of increasing infiltration, restoring riparian wetlands, and reducing connected impervious surface to mitigate riverine and stormwater floods for exposed urban populations. Cities were then categorized based on relative opportunity potential to reduce identified risks through watershed conservation activities. We find high opportunities for watershed activities to mitigate at least one of the risks in 42 cities, potentially benefiting 96 million people or around 60% of the urbanites living in the 70 largest cities in Latin America. We estimate water quality could be improved for 72 million people in 27 cities, riverine flood risk mitigated for 5 million people in 13 cities, and stormwater flooding mitigated for 44 million people in 14 cities. We identified five cities with the potential to simultaneously enhance water quality and mitigate flood risks, and in contrast, six cities where conservation efforts are unlikely to meaningfully mitigate either risk. Institutions investing in natural infrastructure to improve water security in Latin America can maximize their impact by focusing on specific watershed conservation activities either for cleaner drinking water or flood mitigation in cities identified in our analysis where these interventions are most likely to reduce risk.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».