Expert views on strategies to increase water resilience: evidence from a global survey
Notice bibliographique
Résumé
Scholars and policy-makers are advocating for increasing the resilience of water systems, both social and biophysical, to climate change impacts, and global environmental change more broadly. But what is "water resilience," and what does it imply for water resources management and water governance? Generally, water resilience may include ecological aspects of water quality or flood mitigation, engineered infrastructure to ensure safe and reliable water supply and to mitigate floods, and the socially inclusive and equitable governance of these systems. Following this, our goal was twofold: (1) explore and draw out a comprehensive set of water resource management strategies across sectors that are likely to contribute to increased resilience, and (2) investigate whether disciplinary divides are indeed a barrier toward convergence around key water resilience actions. To address these two gaps, we drew on a survey of experts in resilience and various aspects of water management and governance (n = 420), and aimed to synthesize their views on the specific strategies that can help enhance water resilience. Specifically, we surveyed experts across various water domains from ecosystem management to drought and flood management. Overall, we found that while debates about how to theorize or operationalize resilience in relation to different systems-social or biophysical-may be unresolved, there is considerable convergence among various experts about which actions are likely to make water systems more resilient to increasing risks and uncertainties. The most widely agreed upon strategies for building water resilience revolve around improved ecosystem health, integration across scales, and adaptation to change.
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 ».