A network-based analysis of critical resource accessibility during floods
Notice bibliographique
Résumé
Numerous government and non-governmental agencies are increasing their efforts to better quantify the disproportionate effects of climate risk on vulnerable populations with the goal of creating more resilient communities. Sociodemographic based indices have been the primary source of vulnerability information the past few decades. However, using these indices fails to capture other facets of vulnerability, such as the ability to access critical resources (e.g., grocery stores, hospitals, pharmacies, etc.). Furthermore, methods to estimate resource accessibility as storms occur (i.e., in near-real time) are not readily available to local stakeholders. We address this gap by creating a model built on strictly open-source data to solve the user equilibrium traffic assignment problem to calculate how an individual's access to critical resources changes during and immediately after a flood event. Redundancy, reliability, and recoverability metrics at the household and network scales reveal the inequitable distribution of the flood's impact. In our case-study for Austin, Texas we found that the most vulnerable households are the least resilient to the impacts of floods and experience the most volatile shifts in metric values. Concurrently, the least vulnerable quarter of the population often carries the smallest burdens. We show that small and moderate inequalities become large inequities when accounting for more vulnerable communities' lower ability to cope with the loss of accessibility, with the most vulnerable quarter of the population carrying four times as much of the burden as the least vulnerable quarter. The near-real time and open-source model we developed can benefit emergency planning stakeholders by helping identify households that require specific resources during and immediately after hazard events.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».