Improving operating policies of large‐scale surface‐groundwater systems through stochastic programming
Notice bibliographique
Résumé
Abstract The management of large‐scale water resource systems with surface and groundwater resources requires considering stream‐aquifer interactions. Optimization models applied to large‐scale systems have either employed deterministic optimization (with perfect foreknowledge of future inflows, which hinders their applicability to real‐life operations) or stochastic programming (in which stream‐aquifer interaction is often neglected due to the computational burden associated with these methods). In this paper, stream‐aquifer interaction is integrated in a stochastic programming framework by combining the Stochastic Dual Dynamic Programming (SDDP) optimization algorithm with the Embedded Multireservoir Model (EMM). The resulting extension of the SDDP algorithm, named Combined Surface‐Groundwater SDDP (CSG‐SDDP), is able to properly represent the stream‐aquifer interaction within stochastic optimization models of large‐scale surface‐groundwater resource systems. The algorithm is applied to build a hydroeconomic model for the Jucar River Basin (Spain), in which stream‐aquifer interactions are essential to the characterization of water resources. Besides the uncertainties regarding the economic characterization of the demand functions, the results show that the economic efficiency of the operating policies under the current system can be improved by better management of groundwater and surface resources.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».