MétaCan
Menu
Retour à la cohorte
Enregistrement W1982656641 · doi:10.2166/wp.2012.151

Estimating water use efficiencies for water management reform in Southern Alberta irrigated agriculture

2012· article· en· W1982656641 sur OpenAlexafffundabout
K. K. Klein, Robert Bewer, Md Kamar Ali, Suren Kulshreshtha

Notice bibliographique

RevueWater Policy · 2012
Typearticle
Langueen
DomaineEngineering
ThématiqueWater resources management and optimization
Établissements canadiensUniversity of SaskatchewanUniversity of Lethbridge
Organismes subventionnairesAlberta Water Research Institute
Mots-clésIrrigationEnvironmental scienceAgricultureAgricultural economicsProduction (economics)CropGeographyPopulationWater resource managementHydrology (agriculture)Water useIrrigated agricultureAgricultural scienceForestryAgronomyEconomicsEngineering

Résumé

récupéré en direct d'OpenAlex

Water use technical efficiency (WUTE) and three definitions of water use economic efficiency (WUEE) were estimated for the four river sub-basins that encompass the 13 irrigation districts in Southern Alberta over a 5-year period: 2004–08. The average level of WUTE varied from 3.5 to 6.2 Mt dam−3. The gross economic value of crop production varied from Canadian (C)$345 to C$592 dam−3. The net economic value of crop production varied from C$163 to C$268 dam−3. The incremental increase in net value of crop production under irrigation over what it would have been under dry land conditions varied from C$130 to C$199 dam−3. Results indicated a relatively high degree of correlation among the three measures of WUEE. Since about three-quarters of the water consumed in the four sub-basins in Southern Alberta is used for irrigating crops, increasing WUEE will be critical for meeting growing demand from predicted increases in economic activity, population growth and environmental needs.

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)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,213
Score d'incertitude au seuil0,429

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 GPT0,203
Écart entre enseignants0,192 · 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'étudeObservationnel
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

Citations5
Publié2012
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueWater PolicyMême sujetWater resources management and optimizationTravaux en français237 207