A GIS based spatial decision support system for analysing residential water demand: A case study in Australia
Notice bibliographique
Résumé
Highlights - This paper develops GIS based SDSS for predicting residential water demand. - The paper discusses the determinants of water demand. - The developed model is flexible for spatial and temporal changes. - The paper provides capacity to analyse alternative policies. Abstract Managing water resources and the need to adapt both supply and demand side policies to a changing environment has become a priority in both developed and developing countries. This research demonstrates the application of the geographic information system (GIS) in modelling residential water demand in order to develop a spatial decision support system (SDSS). Household level survey data covering 90suburbs within the Brisbane City Council (BCC), Queensland, Australia, are used for the analysis. First, residential water demand was estimated and the most significant variables found to predict high water use at the suburban level. These variables included household size, presence of a swimming pool, income and people over 65 years of age. By integrating this model with an SDSS, a spatial decision support system for residential water demand ( SDSS-RWD ) is developed. By producing maps which clearly display the different factors affecting residential water demand, the benefit of the SDSS-RWD is found in its use as a policy making tool for manipulating and evaluating effective water management strategies. In particular, the flexibility of the SDSS-RWD offers in evaluating changing determinants of residential water demand creates the capacity for local government bodies to analyse a range of alternative policies.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».