Coastal Hazard Mitigation and Adaptation in North American Coastal Settlements
Notice bibliographique
Résumé
Frequency and intensity of coastal hazards driven by climate and land change have been increasing in many parts of the world, including in North America, where 40% of the population lives near the coast. While many settlements are mandated to have hazard mitigation plans, the extent to which these plans address emerging vulnerabilities of these settlements to coastal hazards is unclear. To assess the main factors affecting coastal hazard mitigation and adaptation in North American coastal cities, we carried out a systematic review of the coastal hazard mitigation literature to assess how mitigating natural hazards has been studied in the literature. We identified 67 papers that specifically studied how and why hazard mitigation planning aided or hindered mitigation in 140 locations vulnerable to coastal hazards. Case studies situated in the United States account for nearly 90% of all case studies in this review. The themes of institutional capacity, implications for stakeholders and infrastructure, and attitudes toward resettlement are threaded through the 67 selected articles. We grouped papers in our review according to the type of coastal hazards they considered, namely, Sea Level Rise, Environmental Change, Extreme Weather, and Tsunami. While no case study location was studied in all four categories, 31 settlements across the United States and Canada were studied in the context of sea level rise, environmental change, and extreme weather, and one state – Alaska – was studied in the context of the three categories of sea level rise, environmental change, and tsunami. Of the locations in this review, Alaska, Louisiana, and Florida are the states most studied among state-wide case studies, while the most studied settlements are Kivalina, Alaska, and New York City, New York. The literature indicates that better interagency and scientific communication with the public as well as improved governance frameworks for adaptation and mitigation, including resettlement, can serve to minimize stakeholders’ climate science mistrust and to promote the rise of local leaders for local mitigation strategies and greater environmental equity in both urban and rural coastal communities.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,001 | 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) | 0,002 | 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 ».