Adapting to urban flooding: a case of two cities in South Asia
Notice bibliographique
Résumé
Abstract Cities in South Asia are experiencing storm water drainage problems due to a combination of urban sprawl, structural, hydrological, socioeconomic and climatic factors. The frequency of short duration, high-intensity rainfall is expected to increase in the future due to climate change. Given the limited capacity of drainage systems in South Asian cities, urban flooding and waterlogging is expected to intensify. The problem gets worse when low-lying areas are filled up for infrastructure development due to unplanned urban growth, reducing permeable areas. Additionally, solid waste, when dumped in canals and open spaces, blocks urban drainage systems and worsens urban flooding and waterlogging. Using hydraulic models for two South Asian cities, Sylhet (in Bangladesh) and Bharatpur (in Nepal), we find that 22.3% of the land area in Sylhet and 12.7% in Bharatpur is under flooding risk, under the current scenario. The flood risk area can be reduced to 3.6% in Sylhet and 5.5% in Bharatpur with structural interventions in the drainage system. However, the area under flood risk could increase to 18.5% in Sylhet and 7.6% in Bharatpur in five years if the cities' solid waste is not managed properly, suggesting that the structural solution alone, without proper solid waste management, is almost ineffective in reducing the long-term flooding risk in these cities.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».