Community-Based Flood Risk Management: Empowering Local Responses: A Case Study in Meru, Klang
Notice bibliographique
Résumé
With an expansive flood-prone region, effectively managing risks, particularly those impacting residents in flood-prone communities, poses a significant challenge for Malaysia. Regular in-depth studies are essential to enable the country to anticipate and comprehend the emerging risks that capable of causing both loss of life and damage to properties and public infrastructure. This research aimed to investigate the dynamics of flood risk management and present recommendations for stakeholders in mitigating the consequences of flood events. Employing a qualitative approach, 13 participants, all flood victims residing in Meru, Klang, were purposefully selected. The participants were divided into two groups: the first group, comprising 5 participants, engaged in a focus group interview, while the second group, consisting of 8 participants, responded to open-ended questions. Both groups answered identical structured questions in both oral and written formats. Thematic Analysis (TA) was applied to analyse the data from these exercises. The findings revealed that flood risk management comprises four components: psychological risk, improper development risk, evacuation risk, and communal risk. The study recommends the implementation of a comprehensive flood mitigation plan covering pre-, during, and post-flood phases to address the specific requirements arising during flood events. It is hoped that this research contributes valuable insights to augment the existing flood management system, benefiting not only the victims but also all stakeholders involved in managing the impacts of flood 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 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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».