Vegetation loss and recovery analysis from the 2015 Gorkha earthquake (7.8 Mw) triggered landslides
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
The 2015 Gorkha earthquake (7.8 Mw) triggered thousands of landslides in the highlands of central Nepal, causing widespread vegetation damage. After the earthquake, several attempts were made by the government to recover damaged vegetation; however, the efficacy of artificial restoration (from public finance) vs. self-ecological restoration is unknown. We analyze the vegetation recovery process of the areas impacted by the 2015 Gorkha earthquake landslides with a dual-lens: (1) remote sensing and (2) public finance and policy. Using remote sensing, Vegetation Recovery Rate (VRR) is estimated from the normalized difference vegetation index (NDVI) from Landsat imagery between 2015 and 2021. Then public finance data is analyzed to compare the efficacy of vegetation recovery from the artificial vs. self-ecological restoration. The study examines fourteen severely impacted districts from the Gorkha earthquake in 2015. Out of 24,826 landslides triggered by the earthquake, ~95% of vegetation damage was caused by 13,670 large landslides (with area >0.09 ha). A total of 8651.58 ha of vegetation was lost due to landslides induced by the 2015 Gorkha earthquake. About 4442 ha (51%) of such lost vegetation has been restored so far. Only 9.5% of this restored vegetation was due to artificial restoration, while the remaining 90.5% was by self-ecological restoration process in protected areas. Furthermore, VRR analysis showed that at least nine years are required to restore vegetation cover to the pre-earthquake level (R2 =0.91). The government had invested 3.73 million USD in this duration for artificial restoration. Our findings suggest that strict protection promotes self-ecological restoration, an effective tract for vegetation recovery, over artificial interventions. Findings provide insights for plausible decision-making in restoring lost vegetation due to earthquake-triggered landslides.
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 | 0,001 |
| 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 découle