Multi-hazard susceptibility and exposure assessment of the Hindu Kush Himalaya
Notice bibliographique
Résumé
Mountainous regions are highly hazardous, and these hazards often lead to loss of human life. The Hindu Kush Himalaya (HKH), like many mountainous regions, is the site of multiple and overlapping natural hazards, but the distribution of multi-hazard risk and the populations exposed to it are poorly understood. Here, we present high-resolution transboundary models describing susceptibility to floods, landslides, and wildfires to understand population exposure to multi-hazard risk across the HKH. These models are created from historical remotely sensed data and hazard catalogs by the maximum entropy (Maxent) machine learning technique. Our results show that human settlements in the HKH are disproportionately concentrated in areas of high multi-hazard risk. In contrast, low-hazard areas are disproportionately unpopulated. Nearly half of the population in the region lives in areas that are highly susceptible to more than one hazard. Warm low-altitude foothill areas with perennially moist soils were identified as highly susceptible to multiple hazards. This area comprises only 31% of the study region, but is home to 49% of its population. The results also show that areas susceptible to multiple hazards are also major corridors of current migration and urban expansion, suggesting that current rates and patterns of urbanization will continue to put more people at risk. This study establishes that the population in the HKH is concentrated in areas susceptible to multiple hazards and suggests that current patterns of human movement will continue to increase exposure to multi-hazards in the HKH.
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 | 0,001 | 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 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».