Exploring “big picture” scenarios for resilience in social–ecological systems: transdisciplinary cross-impact balances modeling in the Red River Basin
Notice bibliographique
Résumé
Climate change is increasing the frequency and the severity of extreme events in river basins around the world. Efforts to build resilience to these impacts are complicated by the social-ecological interactions, cross-scale feedbacks, and diverse actor interests that influence the dynamics of change in social-ecological systems (SESs). In this study, we aimed to explore big-picture scenarios of a river basin under climate change by characterizing future change as emergent from interactions between diverse efforts to build resilience and a complex, cross-scale SES. To do so, we facilitated a transdisciplinary scenario modeling process structured by the cross-impact balances (CIB) method, a semi-quantitative method that applies systems theory to generate internally consistent narrative scenarios from a network of interacting drivers of change. Thus, we also aimed to explore the potential for the CIB method to surface diverse perspectives and drivers of change in SESs. We situated this process in the Red River Basin, a transboundary basin shared by the United States and Canada where significant natural climatic variability is worsened by climate change. The process generated 15 interacting drivers ranging from agricultural markets to ecological integrity, generating eight consistent scenarios that are robust to model uncertainty. The scenario analysis and the debrief workshop reveal important insights, including the transformative changes required to achieve desirable outcomes and the cornerstone role of Indigenous water rights. In sum, our analysis surfaced significant complexities surrounding efforts to build resilience and affirmed the potential for the CIB method to generate unique insights about the trajectory of SESs. Supplementary Information: The online version contains supplementary material available at 10.1007/s11625-023-01308-1.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 source (Gemma direct ou Codex distillé), 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 ».