MétaCan
Menu
← Retour à la cohorte
Enregistrement W1574225264

Economic Valuation of Natural Resource Damages: An Application to Groundwater Mining in NCT-Delhi

2013· article· en· W1574225264 sur OpenAlexaff
Ramakrishna Nallathiga, P. Ram Babu, K. Sribalakameswari

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueWater resources management and optimization
Établissements canadiensInstitute on Governance
Organismes subventionnairesnon disponible
Mots-clésValuation (finance)DamagesGroundwater rechargeGroundwaterWater resourcesNatural resourceNatural resource economicsBusinessWater resource managementEnvironmental planningEnvironmental economicsEnvironmental scienceAquiferEconomicsEngineeringFinance
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Natural resources like air, water (including ground water), land and vegetation are valuable resources that are often not valued in market. Economic valuation aids exploration of the value of services provided by these resources, or to estimate damages made to them. A study was carried out in NCT-Delhi to apply economic valuation framework for estimating the costs of mining of ground water i.e., excessive drawal beyond sustainable yield (or, recharge) of ground water, which resulted in a decline in its quality and quantity. This paper presents results from an application of economic valuation framework to the mining of ground water in NCT-Delhi. In the study approach, after examining alternate water supply options, the low cost option was picked with the help of experts. The costs of such water supply provision were estimated using engineering methods; the costs of degradation of ground water quality due to its mining were also valued using remediation costs of mined water using an appropriate treatment technology. These estimates of economic values based on engineering methods provide a basis for rational action by the decision and policy makers through appropriate legal, technical and institutional measures.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,059
Score d'incertitude au seuil0,117

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,004
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,204
Écart entre enseignants0,194 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetWater resources management and optimization→Travaux en français237 207→