MétaCan
Menu
Retour à la cohorte
Enregistrement W1984477220 · doi:10.2495/rm070071

An integrated approach for the assessment of water availability for irrigation in semi-arid regions

2007· article· en· W1984477220 sur OpenAlexaffabout
Assaad Kassem, Alain Pietroniro

Notice bibliographique

RevueWIT transactions on ecology and the environment · 2007
Typearticle
Langueen
DomaineEngineering
ThématiqueWater resources management and optimization
Établissements canadiensEnvironment and Climate Change Canada
Organismes subventionnairesnon disponible
Mots-clésIrrigationEnvironmental scienceContext (archaeology)Water resource managementAridWater supplyWater conservationWater resourcesIrrigation statisticsFarm waterHydrology (agriculture)Environmental engineeringGeographyEngineeringGeology

Résumé

récupéré en direct d'OpenAlex

An integrated approach to water availability assessment for irrigation is presented and illustrated through examples from Canada's South Saskatchewan River Basin (SSRB). It is based on the integration of irrigation and non-irrigation water demands at the basin level, and accounts for the seasonal and annual variation in water supply and water demand. Irrigation water demands are derived from a detailed simulation model which estimates irrigation water diversion and return flow based on physical, climatic and operational parameters and management practices. By integrating the time varying demand and supply, water availability can be expressed in terms of probability or a risk-management context. The impact of any long-term climatic changes on water availability is determined through integration of the resulting changes in water demand and water supply. The paper explains the modelling framework used and its application to SSRB, with special emphasis on irrigation. The importance of accounting for the temporal variability of demand and supply when assessing water availability is demonstrated through several examples, including sensitivity analysis of the irrigation sector and the overall basin water resources to climatic changes.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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: aucune
Score de désaccord entre enseignants0,951
Score d'incertitude au seuil0,164

Scores Codex et Gemma par catégorie

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

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 Opus0,009
Tête enseignante GPT0,203
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 tête enseignante, 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

Citations1
Publié2007
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueWIT transactions on ecology and the environmentMême sujetWater resources management and optimizationTravaux en français237 207