Managing city-scale slow-onset disasters: Learning from Cape Town's 2015–2018 drought disaster planning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Disaster planning for slow-onset city-wide shocks will be become increasingly necessary, particularly as cities face increasingly severe climate hazards. This paper provides unique insight into the disaster planning and management that was undertaken by the City of Cape Town government in response to its most severe hydrological drought on record. It describes how risk was understood and why decisions were made on key elements of the plan, including trigger points, risk prioritisation and mitigation, and the location and design of points of distribution of water rations for the public. Reflecting upon the authors’ experience and interviews with senior City officials who worked on the drought disaster planning and response, the paper extracts five key lessons learnt that have since been applied during the COVID-19 pandemic: (i) the need for cross-functional planning and response skills, (ii) the need for integrated, up-to-date and scale-appropriate data; (iii) the importance of scenario-based simulations, communication and rapid costing to enable the rapid scaling-up of a response; (iv) the value of being able to use outsourced expert capacity effectively; and (v) the application of previously used disaster management and planning experience to build resilience in cities. These lessons, captured in a visual framework, help reflect on capabilities required for responding to future city-scale disasters. The paper provides an informative case study for other cities and risk managers, and will be particularly useful for global South contexts that face drought and other slow-onset disasters, most recently illustrated by the COVID-19 pandemic.
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.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 découle