Adaptation to climate change in urban areas: Climate-greening London, Rotterdam, and Toronto
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
This article aims to gain insight into the governance capacity of cities to adapt to climate change through urban green planning, which we will refer to as climate-greening. The use of green space is considered a no-regrets adaptation strategy, since it not only absorbs rainfall and moderates temperature, but simultaneously can contribute to the sustainable development of urban areas. However, green space competes with other socio-economic interests that also require space. Urban planning can mediate among competing demands for land use, and, as such, is potentially useful for the governance of adaptation. Through an in-depth case study of three frontrunners in adaptation planning (London, Rotterdam, and Toronto), the governance capacity for climate-greening urban areas is analysed and compared. The framework we have developed utilizes five sub-capacities: legal, managerial, political, resource, and learning. The overall conclusion from the case studies is that the legal and political subcapacities are the strongest. The resource and learning sub-capacities are relatively weak, but offer considerable growth potential. The managerial sub-capacity is constrained by compartmentalization and institutional fragmentation, two key barriers to governance capacity. These are effectively blocking the mainstreaming of adaptation in urban planning. The biggest opportunities to enhance governance capacity lie in the integration of adaptation considerations into urban-planning processes, the establishment of links between adaptation and mitigation policies, investment in training programmes for staff and stakeholders in adaptation planning, and providing infrastructure for learning processes.
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 | 0,001 | 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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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