Earth observation applications for coastal sustainability: potential and challenges for implementation
Notice bibliographique
Résumé
Abstract The coast is home to unique ecosystems, where complex ecological processes take place through the interaction of terrestrial, aquatic, atmospheric, and human landscapes. However, there are considerable knowledge and data gaps in achieving effective and future change-proof sustainable management of coastal zones around the world due to both technical and social barriers, as well as governance challenges. Currently, the role of Earth observation (EO) in addressing many of the recognised information gaps is small and under-utilised. While EO can provide much of the spatiotemporal information required for historical analysis and current status mapping, and offers the advantage of global coverage; its uptake can be limited by technical and methodological challenges associated mostly with lack of capacity and infrastructure, product accuracy and accessibility, costs, and institutional acceptance. While new initiatives and recent technological progress in the EO and information technology arena aim to tackle some of these issues so that EO products can be more easily used by non-EO experts, uptake is still limited. This paper discusses how EO can potentially inform transformative practices of planning in the coastal water zone, by using examples to demonstrate the EO potential in providing information relevant to decisionmaking framed by international agreements, such as the United Nations Agenda 2030, the Convention on Biological Diversity, and the Sendai Framework for Risk Reduction. By presenting evidence for how EO can contribute to innovative opportunities and data synergies at scale, the paper discusses opportunities and challenges for a more solution-led approach to sustainable coastal management.
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) | 0,000 | 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 ».