Trade-offs in adapting to changes in climate, land use, and water availability in California
Notice bibliographique
Résumé
Changes in land use and land cover, water systems, and climate are inextricably linked, and their combined stresses have had severe impacts in many regions worldwide. Integrated adaptation planning can support adaptive capacity by helping institutions manage land and water resources at regional to local scales. Linkages between these stressors mean that planners are often faced with potential trade-offs, and how to couple social and environmental sustainability remains a key question. We explore these questions in California’s Central Coast, a region that is already experiencing serious water shortages, housing shortages, rapid expansion of perennial agriculture, and severe droughts that are projected to become worse with climate change. Linked models of land use change (the Land Use and Carbon + Water Simulator [LUCAS-W]), water resources (LUCAS-W), and climate (the Basin Characterization Model [BCM]) produced forecasts of exposure to regional changes at 270-m resolution. We worked with regional stakeholders to develop a matrix of nine vulnerability measures that assessed key sensitivities to these changes. Each vulnerability measure combined one of the three exposure projections with spatial datasets representing one of three sensitivity communities (agricultural, domestic, or ecological). We assessed how five scenarios of land-use and water management strategies under consideration by regional planners could provide institutional, top-down adaptive capacity, and whether there were trade-offs in sustainable development goals for these communities. We found that specific land and water management strategies could greatly reduce regional vulnerability, particularly programs to cap water extractions to sustainable levels. The most dramatic trade-off was between the strategy of water demand caps that increased risk of habitat loss and ecosystem preservation that increased water vulnerability. However, trade-offs were usually limited and spatially localized, suggesting local tailoring of the strategies we assessed could reduce them. Trade-offs were more frequent across exposure classes (land use vs. water vs. climate changes) rather than sensitivity classes (agricultural vs. domestic vs. ecological communities), suggesting win-win opportunities for natural resource management. Our vulnerability maps can inform prioritization efforts for local adaptation planning.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».