A network-based analysis of critical resource accessibility during floods
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
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.
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 | 0,001 |
| 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) | 0,001 | 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 découle