Refugees and host communities’ vulnerability to climate and disaster risks in Rwanda
Notice bibliographique
Résumé
Climate change hazards pose significant risks to vulnerable populations, particularly refugees residing in camps within environmentally sensitive areas. This study assesses climate and disaster risks in refugee-hosting districts in Rwanda using GIS-based risk mapping, decision science tools (AHP), remote sensing, and econometric analysis. The findings reveal spatial variability in hazard exposure across camps, with Mahama and Mugombwa refugee camps experiencing the highest flood risks, while Gihembe, Kiziba, and Kigeme camps are most susceptible to landslides. Between 2013 and 2021, landslides resulted in the damage of 324 hectares of cropland in Gihembe district and caused 110 fatalities in Kiziba’s district in 2016 alone. The study also finds that Mahama camp is highly vulnerable to drought, reflecting national data indicating that 4.2 million Rwandans were affected by droughts between 1974 and 2018. In addition, Kiziba camp exhibits severe soil erosion, with up to 19 million tons of annual soil loss in its watershed area. This erosion, exacerbated by deforestation due to firewood harvesting and construction material collection, weakens slope stability, intensifying landslide risks and increasing sediment transport into local water sources, thereby impacting water quality. Our results support recent disaster management decisions by the Government of Rwanda and UNHCR, including the closure of Gihembe camp in 2021 due to landslide risks and the relocation of vulnerable populations from Kigeme camp due to erosion-induced ravine formation. While these interventions reduce immediate risks, continued efforts are needed to enhance camp resilience, strengthen early warning systems, and integrate nature-based solutions into long-term disaster risk management.
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 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 | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».