Overrepresentation of Historically Underserved and Socially Vulnerable Communities Behind Levees in the United States
Notice bibliographique
Résumé
Abstract Infrastructure equity is an immediate concern with levees, constituting the backbone of the U.S. protection against flooding. Flooding patterns are exacerbated by anthropogenic climate change in several regions, posing a significant risk to the economy, safety, and well‐being of the nation. The evolving risk of flooding is shown to disproportionately affect historically underserved and socially vulnerable communities (HUSVCs). Here we compare the sociodemographic and socioeconomic composition of leveed and non‐leveed U.S. communities and show a substantial overrepresentation of HUSVCs in leveed areas at the state, regional, and national levels. Further, we analyze the proportion of communities designated as “disadvantaged” in leveed versus non‐leveed areas, revealing a substantially larger population of disadvantaged communities residing behind levees. Our analyses show that nationally, Hispanic are the most overrepresented population in leveed areas yielding a disparity percentage of 39.9%, followed by Native American (18.7%), Asian (17.7%), and Black (16.1%) communities. Communities characterized by low education, poverty, and disability exhibit a disproportionately higher presentation of 27.8%, 20.4%, and 5.4% in leveed areas across the U.S. In 43 states, disadvantaged communities are overrepresented behind levees, with a national disparity percentage of 40.6%. At the regional level, the highest disparity was observed in the Northeast (57.3%), followed by the West (51.3%), Southeast (38%), Midwest (29.2%), and Southwest (25%). The findings can enable decision‐ and policy‐makers to identify hotspots within HUSVCs that need to be prioritized for enhancing the integrity and climate adaptation of their levee systems.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 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 ».