A Systematic Literature Review on Urban Resilience Enabled with Asset and Disaster Risk Management Approaches and GIS-Based Decision Support Tools
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
Urban Resilience (UR) enables cities and communities to optimally withstand disruptions and recover to their pre-disruption state. There is an increasing number of interdisciplinary studies focusing on conceptual frameworks and/or tools seeking to enable more efficient decision-making processes that lead to higher levels of UR. This paper presents a systematic review of 68 Scopus-indexed journal papers published between 2011 and 2022 that focus on UR. The papers covered in this study fit three categories: literature reviews, conceptual models, and analytical models. The results of the review show that the major areas of discussion in UR publications include climate change, disaster risk assessment and management, Geographic Information Systems (GIS), urban and transportation infrastructure, decision making and disaster management, community and disaster resilience, and green infrastructure and sustainable development. The main research gaps identified include: a lack of a common resilience definition and multidisciplinary analysis, a need for a unified scalable and adoptable UR model, margin for an increased application of GIS-based multidimensional tools, stochastic analysis of virtual cities, and scenario simulations to support decision making processes. The systematic literature review undertaken in this paper suggests that these identified gaps can be addressed with the aid of asset and disaster risk management methods combined with GIS-based decision-making tools towards significantly improving UR.
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 | 0,002 | 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