Coastal urban flood risk management: Challenges and opportunities − A systematic review
Notice bibliographique
Résumé
Generational mechanisms and spatio-temporal evolution patterns of coastal urban flood risk involve complex interactions between climate change, sea level rise and human-induced factors, necessitating integrated adaptive flood management strategies to mitigate evolving vulnerabilities. This systematic review offers a thorough assessment of the challenges and strategic opportunities for sustainable adaptation in managing flood risk in coastal urban areas. It integrates emerging innovative technologies and financial solutions to identify promising approaches to implement mitigation strategies and improve coastal urban flood resilience. Enhancing governance and policy frameworks is crucial for the successful implementation of coastal urban flood risk management (CUFRM) plans. An innovative participatory planning framework is developed to promote flood management practices which are socially inclusive and equitable. Funding for green infrastructure and nature-based solutions and the strategic use of public-private partnerships are effective methods for advancing sustainable flood risk management (FRM). The advancements in emerging technologies, such as artificial intelligence (AI), machine learning (ML), deep learning (DL), social media and digital twin technologies, provide dynamic and collaborative platforms for simulating flood scenarios and have potential to significantly improve CUFRM practices. In the end, a cross-country comparison of current practices in Australia, China, the Netherlands, the UK and the USA reveals a diverse range of approaches and valuable insights derived from regional experiences. The review provides a comprehensive analysis for researchers, policymakers and practitioners aiming to improve flood resilience in coastal metropolitan regions by learning from effective UFRM approaches that enhance governance structures, infrastructure resilience and funding mechanisms.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».