Contributions of Nature-Based Solutions to Reducing Peoples’ Vulnerabilities to Climate Change across the Rural Global South
Notice bibliographique
Résumé
Nature-based solutions (NbS) - working with and enhancing nature to address societal challenges - are increasingly being featured in climate change adaptation policy and plans. While there is growing evidence that NbS can reduce vulnerability to climate change impacts in general, there is a lack of understanding on the mechanisms through which this can be achieved, particularly in the Global South. To address this, we analyse 85 nature-based interventions in rural areas across the Global South, and factors mediating their effectiveness, based on a systematic map of peer-reviewed studies encompassing a wide diversity of ecosystems, climate impacts, and intervention types. We develop and apply an analytical framework of people’s social-ecological vulnerability to climate change, in terms of six pathways of vulnerability reduction: social and ecological exposure, sensitivity, and adaptive capacity. Most cases (95%) report a reduction in vulnerability, primarily by lowering ecosystem sensitivity to climate impacts (73% of interventions), followed by reducing social sensitivity (52%), reducing ecological exposure (36%), increasing social adaptive capacity (31%), increasing ecological adaptive capacity (19%) and/or reducing social exposure (14%). An analysis of mediating factors shows that social dimensions are equally important as technical factors in NbS to achieving equitable and effective outcomes. Attention to the distinct social and ecological pathways through which vulnerability is reduced helps to harness the multiple benefits of working with nature in a warming world.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,001 | 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 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 ».