Development of systemic infrastructure governance mechanisms to reduce climate-health risks in cities
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 Climate-related hazards can lead to multiple infrastructure risks that pose a threat to public health such as extreme heat conditions in housing and transport networks, the flooding of critical utilities and social infrastructure, and air pollution in buildings with vulnerable occupants. Business-as-usual approaches to manage physical infrastructure systems that result in the delivery of standalone interventions by individual city departments in isolated infrastructure systems are not sufficient to manage these systemic risks. The aim of this study is to explore how cities can develop systemic infrastructure governance mechanisms. Specifically, how stakeholders can draw together diverse information sources (including health data) and partnership funding mechanisms focused on the delivery of multiple benefits (including health benefits) to develop integrated infrastructure interventions to reduce climate-health risks. This study examines the infrastructure governance mechanisms developed in three cities: Ottawa (Canada), Belfast (Northern Ireland), and London (England) to draw insight into how cities can establish such systemic infrastructure governance mechanisms. The findings reveal how the development of multi-stakeholder partnerships, diverse information sources, and the use of holistic appraisal mechanisms to evaluate the wider benefits of infrastructure interventions have facilitated the implementation of integrated infrastructure measures to reduce climate-health risks in the case study cities. The research findings also show that these cities have implemented several types of integrated infrastructure measures to reduce climate-health risks such as deep housing retrofit projects and integrated grey-green-blue infrastructure measures to reduce flood risk and promote active travel.
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 | 0,002 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 découle