Exploring the modifying effects of adaptive capacity on resilience to climate change across 4 coastal cities in British Columbia, Canada
Notice bibliographique
Résumé
Coastal communities are particularly at risk from the intensifying impacts of climate change and must act quickly to implement adaptation measures to enhance resilience. Adaptive capacity is recognized to have a modifying effect on resilience. Understanding the combination of factors that affect adaptive capacity is essential for prioritizing actions necessary to respond to existing and predicted impacts, and thus reduce vulnerability. In this study, we draw on the experience of four coastal cities in southwest British Columbia, Canada, to understand how adaptive capacity contributes to resilience. Specifically, through qualitative key actor interviews, we investigate how the different domains of adaptive capacity strengthen and constrain resilience in practice. Findings reveal that the domains of adaptive capacity are closely interconnected. For instance, effective organization and ongoing learning have strengthened the agency of local government decision-makers to act; however, inflexibility in institutional responses to climate change and a lack of necessary assets appears to constrain efforts. Our results indicate that leveraging the organization and learning domains of adaptive capacity through increased education and improved intergovernmental collaboration may bolster resilience. • Efforts to strengthen local government adaptive capacity must be ramped up • The domains of adaptive capacity exhibit strong interdependence • To build resilience, attention to the interconnected nature of the domains is critical • Enhancing collaboration can address jurisdictional barriers and increase flexibility • Bolstering climate knowledge can improve resource dedication and proactive planning
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 | 0,000 | 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 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 ».