A Quick-Scan Methodology Incorporating Local Knowledge for Climate Risk and Vulnerability Assessments Applied in Kampala
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
Abstract A surge in publications on climate change vulnerability and risk assessments in recent years reflects the escalating impacts of climate change. These assessments are crucial for improving climate change adaptation planning. City-level integrated climate risk and vulnerability assessments (CRVAs) are increasingly relevant, particularly for African cities facing heightened vulnerability from local climate impacts and urbanization. There are several practical challenges in the context of Sub-Saharan African cities: 1) research capacity limitations; 2) the heterogeneity of settlements and their infrastructure; 3) data availability and accessibility; and 4) inclusion of local knowledge in the data collection process. This study aims to address these challenges through an integrated quick-scan CRVA approach. The methodology was developed during the COVID-19 pandemic to be conducted on distance with local partners, and tested through an instrumental case study in Kampala, Uganda. The case of Kampala shows the execution and resulting scan, with mapped districts where climate threats are urgent, summarized in so-called ‘neighbourhood profiles’. The method description and its implementation demonstrate that this form of CRVA methodology holds the potential to: (a) expedite city-wide climate assessments; (b) provide a filter procedure and a classification of diverse needs across districts; (c) bring together ‘insider knowledge’ and ‘outsider expertise’ and (d) establish knowledge collaborations across distances and scales. In just a few months’ time, the project team navigated in both informal community systems and formal institutional frameworks. Preferable to the alternative of complete absence of vulnerability assessments, the described ‘quick-scan method’ may be worthwhile for other African cities.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 découle