How Do Vulnerable People Adapt to the Impact of Sedimentation in the Haor Wetlands of Northeastern Bangladesh?
Notice bibliographique
Résumé
Abstract The frequency and geographic extent of floods in northeastern Bangladesh have increased over the past few decades, and sedimentation has gradually raised the beds of wetland water bodies. The present study examined how households (HHs) cope with, and adapt to, the adverse effects of sedimentation in the haor wetlands under extreme weather conditions. Lubar and Pochashul haors (“LPHs”), in the Sunamganj District region and most affected by sedimentation, are the primary focus of this study. Questionnaire surveys from 180 HH respondents, transect walks, key informant interviews, and focus group discussions were conducted to gather data on adaptation strategies for counteracting wetland sedimentation. Descriptive statistics and qualitative data reveal that the residents of Bangladesh’s haor wetlands face difficulties due to flash floods and sedimentation. The study shows that residents borrow money and food, sell their possessions, and use other assistance-based resilience strategies. Food-based strategies, such as limiting the quantity and quality of meals, are commonly employed by these HHs in the short term. However, some long-term strategies followed by the residents are not viable, such as changing professions or increasing the use of pesticides in agriculture. The study also finds inventive and constructive ways of making improvements based on traditional knowledge and modifying the agricultural practices used by local people to combat sedimentation. In the event of flooding and sedimentation, our study reveals that wetland inhabitants may use counterproductive survival strategies based on outside innovation and their traditional knowledge, rather than destructive strategies such as reducing food consumption, changing jobs, and reducing the sale of resources.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 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 ».