MétaCan
Menu
Retour à la cohorte
Enregistrement W4403468459 · doi:10.1016/j.geomat.2024.100033

Evaluating the risk perception due to land subsidence within onyeama mine, South East Nigeria

2024· article· en· W4403468459 sur OpenAlexvenueno aff
Nixon N. Nduji, Christian N. Madu, Ikechukwu O. Nwabueze

Notice bibliographique

RevueGEOMATICA · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueFlood Risk Assessment and Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSubsidenceGeographyCoal miningMining engineeringGeologyArchaeologyGeomorphologyCoalStructural basin

Résumé

récupéré en direct d'OpenAlex

This paper conducts a systematic evaluation of risk perception due to land subsidence monitored within a major coalmine in Nigeria. There is a general assumption in most hazard research that risk perception should be a first determinant of whether adaptive action is taken or not. To gain a comprehensive insight using land subsidence, we propose a technique that integrates quantitative evaluation (vulnerability assessment) and subjective evaluation (perception analysis) of human responses towards this environmental hazard. Perception of risk, which is dependent on risk magnitude appraisal and risk acceptance, was amplified into the overall risk constellation. Vulnerability assessment was conducted based on the human development index (HDI) at fourteen locations investigated for the study, with particular focus on building networks as an index for loss estimation. We exploit data from Sentinel-1 Synthetic Aperture Radar (SAR) Satellites and Small-Baseline Subset Differential Interferometric Synthetic Aperture Radar (SBAS-DInSAR) technique to map Onyeama Coal Mine in South – East, Nigeria. From the HDI and according to the vulnerability assessment, the margin of error (E) is estimated as 0.06754, with samples proportion of ρ ˆ = 0.85. The 95 % confidence interval for proportion is in the range of 0.783 to 0.917. The results indicates that with an average of a finite population size of N = 1413 buildings at each study location, about 85 % of the samples ( n = 100 ) do not recognize that land subsidence is ongoing and constantly affecting their buildings. As a result of this ignorance and lack of awareness, constantly progressing subsidence becomes normalized in peoples’ perceptions, and their outlook toward danger is not integrated into day-to-day habits. Thus, risk perception is a lesser determinant of mitigation responses towards slowly progressing subsidence, and not actual exposure leading to action. • From the HDI and according to the vulnerability assessment, the margin of error (E) is estimated as 0.06754, with samples proportion of ρ ˆ = 0.85. • The 95 % confidence interval for proportion is in the range of 0.783 to 0.917. • The results indicates that with an average of a finite population size of N = 1413 buildings at each study location, about 85 % of the samples ( n = 100 ) do not recognize that land subsidence is ongoing and constantly affecting their buildings. • As a result of this ignorance and lack of awareness, constantly progressing subsidence becomes normalized in peoples’ perceptions, and their outlook toward danger is not integrated into day-to-day habits. • Thus, risk perception is a lesser determinant of mitigation responses towards slowly progressing subsidence, and not actual exposure leading to action.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,295
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,005

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,294
Écart entre enseignants0,271 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGEOMATICAMême sujetFlood Risk Assessment and ManagementTravaux en français237 207