MétaCan
Menu
Retour à la cohorte
Enregistrement W4317036208 · doi:10.3390/w15030380

Towards Quantifying the Coastal Vulnerability due to Natural Hazards using the InVEST Coastal Vulnerability Model

2023· article· en· W4317036208 sur OpenAlexaff
Amna Al Ruheili, Alaba Boluwade

Notice bibliographique

RevueWater · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueCoastal and Marine Management
Établissements canadiensWilfrid Laurier University
Organismes subventionnairesnon disponible
Mots-clésHabitatCoastal hazardsNatural hazardHazardShoreVulnerability (computing)GeographyVulnerability assessmentCoastal managementEnvironmental scienceDistribution (mathematics)Natural (archaeology)Environmental resource managementClimate changeEcologyFisheryPsychological resilienceSea level riseBiology

Résumé

récupéré en direct d'OpenAlex

Coastal areas and coastal communities are facing threats due to the impacts of climate change. Therefore, assessing their vulnerabilities and the potential for natural habitats to contribute to protecting coastal areas and communities is essential for effective long-term planning, sustainability, and resilient coastal management. This study modeled and mapped coastal vulnerability using the InVEST 3.9.1 model developed by the Natural Capital Project Coastal Vulnerability model to explore the role of natural habitats in mitigating coastal hazards in Southern Al Sharqiya and Al Wusta Governorates of the Sultanate of Oman. The results showed that the highest hazard classification > 2.67 represented 18% of the coastal distribution, the intermediate hazard classification ranging between 2.31 and 2.66 represented 38% of the coastal distribution, and the lowest hazard classification ranging between 1.22 and 2.30) represented 44% of the coastal distribution. These results, however, did not account for the role of natural habitats in coastal protection. In terms of the role of natural habitats in mitigating coastal hazards, the presence of natural habitats reduced the extent of the highest exposed shoreline by 14% and 8% for the highest and intermediate areas, respectively. Under the natural habitat’s scenario, the habitats could provide 59% protection for the coastal communities under the highest exposure category and 41% under the intermediate category. Under a no-habitat scenario, about 75% of the coastal communities are exposed and vulnerable to coastal hazards under the highest hazard exposure category and 25% under the intermediate category. These results demonstrate that it is critical, especially for policymakers, to enhance the protection of coastal ecosystems to achieve coastal resilience. This study buttresses the importance of coastal ecosystem assessments in ensuring coastal resilience and climate change adaptation processes for any coastal countries.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,250
Score d'incertitude au seuil0,963

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,008
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,051
Tête enseignante GPT0,291
Écart entre enseignants0,239 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations17
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWaterMême sujetCoastal and Marine ManagementTravaux en français237 207