Conceptualization of territorial resilience potential indicators to coastal hazards through the use of unmanned aerial vehicles
Notice bibliographique
Résumé
Major natural hazards in recent decades have led to a revisiting of the concept of resilience, particularly in order to analyze traditional models of response to an unforeseen event and post-crisis management mechanisms. For resilience to be an applicable/operational concept to guide management and inform decisions, it must ultimately be characterized for its assessment. This assessment can be done through the identification of indicators specifically contextualized to the study site and object of study. However, today, operationalizing of the concept of resilience tends to draw on annual censuses or aggregated data, providing a generalized large scale view of the territorial resilience potential. The objective of this study is to identify a table of Territorial Resilience Potential (TRP) indicators to coastal hazards applied to coastal island territories, supplied by data from Unmanned Aerial Vehicles (UAVs) to allow for rapid and site specific data acquisition for repetitive surveys. This acquisition method makes it possible to calculate a number of relevant indicators for assessing the resilience potential of coastal areas. In particular, it allows rapid updating of data following major meteorological events and identification of hot and cold spots of resilience potential of a specific study site. To demonstrate the applicability of this method to island territories, the island of Bora Bora in French Polynesia was used as a case study. Finally, these kinds of results can be fed through a spatial decision support system to help decision-makers choose an adaptation and protection strategy in order to move towards resilient territories, over a long period of time.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».