Machine Learning to Evaluate Impacts of Flood Protection in Bangladesh, 1983–2014
Notice bibliographique
Résumé
Impacts of climate change adaptation strategies need to be evaluated using principled methods spanning sectors and longer time frames. We propose machine-learning approaches to study the long-term impacts of flood protection in Bangladesh. Available data include socio-economic survey and events data (death, migration, etc.) from 1983–2014. These multidecadal data, rare in their extent and quality, provide a basis for using machine-learning approaches even though the data were not collected or designed to assess the impact of the flood control investments. We test whether the embankment has affected the welfare of people over time, benefiting those living inside more than those living outside. Machine-learning approaches enable learning patterns in data to help discriminate between two groups: here households living inside vs. outside. They also help identify the most informative indicators of discrimination and provide robust metrics to evaluate the quality of the model. Overall, we find no significant difference between inside/outside populations based on welfare, migration, or mortality indicators. However, we note a significant difference in inward/outward movement with respect to the embankment. While certain data gaps and spatial heterogeneity in sampled populations suggest caution in any conclusive interpretation of the flood protection infrastructure, we do not see higher benefits accruing to those living with higher levels of protection. This has implications for Bangladesh’s planning for future and more extreme climate futures, including the national Delta Plan, and global investments in climate resilient infrastructure to create positive social impacts.
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) | 0,002 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».