MétaCan
Menu
Retour à la cohorte
Enregistrement W2892798016 · doi:10.3390/su10103466

Centralized and Decentralized Approaches to Water Demand Management

2018· article· en· W2892798016 sur OpenAlexafffundabout
Yi Xiao, Liping Fang, Keith W. Hipel

Notice bibliographique

RevueSustainability · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueWater resources management and optimization
Établissements canadiensCentre for International Governance InnovationToronto Metropolitan UniversityBalsillie School of International AffairsUniversity of Waterloo
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaChina Scholarship Council
Mots-clésIncentiveProductivityEnvironmental economicsGame theoryComputer scienceBusinessRisk analysis (engineering)EconomicsMicroeconomics

Résumé

récupéré en direct d'OpenAlex

Centralized and decentralized procedures to assess the impacts of water demand management on a water system and its users are investigated and compared. Within the centralized approach, a system-wide optimization technique is firstly utilized to estimate the overall optimal net benefits when the water demand management initiatives are implemented. Cooperative game-theoretic methods are used to fairly redistribute the additional net benefits. In terms of the decentralized perspective, an agent-based modelling framework is adopted to permit each user to make independent decisions on whether to conserve water or consume extra water and how much to conserve or consume by solving individual optimization problems. For comparison purposes, both the centralized and decentralized approaches are applied to a case study reflecting an actual situation in the South Saskatchewan River basin in Alberta, Canada. Both methods provide positive incentives to encourage users to conserve water while maintaining at least the same level of economic benefits such that system-wide productivity is improved. Moreover, the study demonstrates that the centralized method produces greater overall net benefits, but the users may be less motivated to participate.

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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,613
Score d'incertitude au seuil0,434

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 Opus0,021
Tête enseignante GPT0,199
Écart entre enseignants0,178 · 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'étudeSans objet
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

Citations18
Publié2018
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueSustainabilityMême sujetWater resources management and optimizationTravaux en français237 207