Assessment and Mitigation of Flood Risk in Urban Settlement: A Case of Ethekwini Metropolitan Area
Notice bibliographique
Résumé
Flooding is one of the most destructive natural hazards globally, with impacts intensified by climate change and systemic gaps in disaster risk governance. This study assesses the vulnerability of the eThekwini Metropolitan Area (EMA) in KwaZulu-Natal, South Africa, to recurrent flood disasters. Using an indicator-based methodology, the research analyses quantitative data across five dimensions: socio-economic, physical, health and wellbeing, institutional and governance, and environmental factors. The aim is to identify structural weaknesses and inform inclusive, long-term mitigation strategies. In April 2022, KwaZulu-Natal experienced a devastating flood disaster that illustrates the region’s exposure and fragility to floods, leading to a 0.7% drop in national GDP, disrupted manufacturing and agriculture, and reversed post-COVID economic recovery. EMA’s coastal location, prevalence of informal settlements, and limited infrastructure amplify its flood risk. Findings reveal inadequate preparedness, slow recovery, unequal distribution of incentives, and prolonged lack of essential services, such as clean water and healthcare, in affected communities. The research highlights how climate-induced hazards compound vulnerabilities, affecting livelihoods, public health, and service delivery. Institutional fragmentation and reactive planning hinder effective risk reduction. The study recommends a multi-stakeholder approach to flood mitigation, emphasising coordinated governance, equitable recovery, and proactive investment in resilient infrastructure and community engagement. This research contributes a localised vulnerability assessment framework and actionable insights for urban flood mitigation in climate-sensitive regions. By integrating diverse vulnerability indicators and emphasising inclusive planning, it offers a strategic foundation for enhancing resilience and reducing future flood impacts in South Africa’s urban settlements.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| 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 ».