Using Information-Gap Decision Theory for Water Resources Planning Under Severe Uncertainty
Notice bibliographique
Résumé
Abstract Water resource managers are required to develop comprehensive water resources plans based on severely uncertain information of the effects of climate change on local hydrology and future socio-economic changes on localised demand. In England and Wales, current water resources planning methodologies include a headroom estimation process separate from water resource simulation modelling. This process quantifies uncertainty based on only one point of an assumed range of deviations from the expected climate and projected demand 25 years into the future. This paper utilises an integrated method based on Information-Gap decision theory to quantitatively assess the robustness of various supply side and demand side management options over a broad range of plausible futures. Findings show that beyond the uncertainty range explored with the headroom method, a preference reversal can occur, i.e. some management options that underperform at lower uncertainties, outperform at higher levels of uncertainty. This study also shows that when 50 % or more of the population adopts demand side management, efficiency related measures and innovative options such as rainwater collection can perform equally well or better than some supply side options The additional use of Multi-Criteria Decision Analysis shifts the focus away from reservoir expansion options, that perform best in regards to water availability, to combined strategies that include innovative demand side management actions of rainwater collection and greywater reuse as well efficiency measures and additional regional transfers. This paper illustrates how an Information-Gap based approach can offer a comprehensive picture of potential supply/demand futures and a rich variety of information to support adaptive management of water systems under severe uncertainty.
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 | 0,014 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».