Global consumptive water use for crop production: The importance of green water and virtual water
Notice bibliographique
Résumé
Over the last 4 decades the use of blue water has received increasing attention in water resources research, but little attention has been paid to the quantification of green water in food production and food trade. In this paper, we estimate both the blue and green water components of consumptive water use (CWU) for a wide range of agricultural crops, including seven cereal crops, cassava, cotton, groundnuts, potatoes, pulses, rapeseed, soybeans, sugar beets, sugarcane, and sunflower, with a spatial resolution of 30 arc min on the land surface. The results show that the global CWU of these crops amounted to 3823 km3 a−1 for the period 1998–2002. More than 80% of this amount was from green water. Around 94% of the world crop‐related virtual water trade has its origin in green water, which generally constitutes a low‐opportunity cost of green water as opposed to blue water. High levels of net virtual water import (NVWI) generally occur in countries with low CWU on a per capita basis, where a virtual water strategy is an attractive water management option to compensate for domestic water shortage for food production. NVWI is constrained by income; low‐income countries generally have a low level of NVWI. Strengthening low‐income countries economically will allow them to develop a virtual water strategy to mitigate malnutrition of their people.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».