MétaCan
Menu
Retour à la cohorte
Enregistrement W2026636954 · doi:10.5539/jas.v2n2p31

Estimation of Irrigation Water Demand for Barley in Iran: The panel Data Evidence

2010· article· en· W2026636954 sur OpenAlexvenueno aff
Ahmad Sadeghi, Mohd Ghazali Mohayidin, Md. Ariff Bin Hussein, Jalal Attari

Notice bibliographique

RevueJournal of Agricultural Science · 2010
Typearticle
Langueen
DomaineEngineering
ThématiqueWater resources management and optimization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCeteris paribusPrice elasticity of demandIrrigationElasticity (physics)Panel dataAridWater resourcesWater useWater supplyAgricultural economicsSupply and demandPopulationEconomicsWater resource managementEconometricsEnvironmental scienceMicroeconomicsEnvironmental engineering

Résumé

récupéré en direct d'OpenAlex

In most arid and semi arid regions, as in most parts of Iran, insufficient supply of water has become one of themost important constraints to economic development. In these areas, the main issue in water management is tofulfill the ever-increasing demand for water. The supply of water is usually limited, while the quantity of waterdemanded has increased mainly due to population growth. It is believed that a rationalized water pricing systemwould play a crucial role in the optimal allocation of water resources. Planning for efficient use of water isimportant when there is a severe limit to its availability. The demand elasticity for every good, service, or inputdetermines how a change in price, ceteris paribus, affects users’ quantity demanded. This study investigates thestructure of irrigation water demand by estimating the derived demand for water on one particular crop, barley,in Iran. The analysis is based on deductive econometric method, and on total statistical and panel data. A demandfunction was estimated after performing the relevant statistical tests. The price elasticity of irrigation waterdemand and other elasticities were also computed. Data and information from 2001 to 2006 from 26 provinces inIran was collected from secondary sources.

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)0,004
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 enseignants0,053
Score d'incertitude au seuil0,106

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
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 Opus0,039
Tête enseignante GPT0,248
Écart entre enseignants0,208 · 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

Citations8
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural ScienceMême sujetWater resources management and optimizationTravaux en français237 207