MétaCan
Menu
Retour à la cohorte
Enregistrement W2514883184 · doi:10.5539/enrr.v6n3p77

Characterization of Water Source Types and Uses in Kirisia Forest Watershed, Samburu County, Kenya

2016· article· en· W2514883184 sur OpenAlexvenueno aff
John Warui Kiringe, Francis Mwaura, Fiesta Warinwa

Notice bibliographique

RevueEnvironment and Natural Resources Research · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueWater resources management and optimization
Établissements canadiensnon disponible
Organismes subventionnairesU.S. Forest ServicePanthera
Mots-clésLivestockWatershedSTREAMSHydrology (agriculture)PopulationWater sourceBoreholeEnvironmental scienceGeographyForestryWater resource managementGeology

Résumé

récupéré en direct d'OpenAlex

<p class="1Body">Kenya’s dry-land water catchments are valued for their water provision services but their conservation is given little attention. This study was carried out between October and December 2015 and documented water source types and uses by humans and livestock in Kirisia Forest watershed. Different water source types exist in the watershed including earth dams, water pans, shallow wells, boreholes, springs and streams. The estimated population of livestock and locals using these sources was 180,645 and 147, 060 respectively. Earth dams and water pans provided water to the highest population of community members estimated at 11,564 people followed by boreholes at 9,886 people while streams, springs and shallow wells were used by the least number of people. They also provided water to the highest number of livestock estimated at an average of 15,422 animals. The highest amount of water was abstracted from boreholes at nearly 197,720Litres/day (197.72m<sup>3</sup>/day) followed by earth dams and water pans at 91,960Litres/day (91.96m<sup>3</sup>/day), and the least was from shallow wells, springs and streams at about 38,000Litres/day (38m<sup>3</sup>/day). Daily water abstraction from all the water source types by humans and livestock was nearly 366,540Litres/day or 366.54m<sup>3</sup>/day. Twenty three sub-locations rely on water from the watershed and based on the 2009 population census, their projected water demand was approximately 182,238,520Litres/day (182,238.52 m<sup>3</sup>/day). Water demand by livestock was estimated at 12,172,600Litres/day (12,172.60m<sup>3</sup>/day) based on the 2013 population data. Overall water demand by humans and livestock in all the sub-locations was estimated at 194,411,120Litres/day (194,411.12 m<sup>3</sup>/day); and these findings demonstrate the critical role played by the watershed in sustaining locals livelihoods and pastoralism.</p>

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)0,000
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: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,476
Score d'incertitude au seuil0,310

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 Opus0,012
Tête enseignante GPT0,215
Écart entre enseignants0,203 · 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'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

Citations2
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnvironment and Natural Resources ResearchMême sujetWater resources management and optimizationTravaux en français237 207