Nature-based solutions can help reduce the impact of natural hazards: A global analysis of NBS case studies
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
The knowledge derived from successful case studies can act as a driver for the implementation and upscaling of nature-based solutions (NBS). This work reviewed 547 case studies to gain an overview of NBS practices and their role in reducing the adverse impact of natural hazards and climate change. The majority (60 %) of case studies are situated in Europe compared with the rest of the world where they are poorly represented. Of 547 case studies, 33 % were green solutions followed by hybrid (31 %), mixed (27 %), and blue (10 %) approaches. Approximately half (48 %) of these NBS interventions were implemented in urban (24 %), and river and lake (24 %) ecosystems. Regarding the scale of intervention, 92 % of the case studies were operationalised at local (50 %) and watershed (46 %) scales while very few (4 %) were implemented at the landscape scale. The results also showed that 63 % of NBS have been used to deal with natural hazards, climate change, and loss of biodiversity, while the remaining 37 % address socio-economic challenges (e.g., economic development, social justice, inequality, and cohesion). Around 88 % of NBS implementations were supported by policies at the national level and the rest 12 % at local and regional levels. Most of the analysed cases contributed to Sustainable Development Goals 15, 13, and 6, and biodiversity strategic goals B and D. Case studies also highlighted the co-benefits of NBS: 64 % of them were environmental co-benefits (e.g., improving biodiversity, air and water qualities, and carbon storage) while 36 % were social (27 %) and economic (9 %) co-benefits. This synthesis of case studies helps to bridge the knowledge gap between scientists, policymakers, and practitioners, which can allow adopting and upscaling of NBS for disaster risk reduction and climate change adaptation and enhance their preference in decision-making 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 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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