Water footprint assessment considering intermediate products: model and a 2016 case study of China
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Analysing intermediate products within a water footprint (WF) across different economic sectors can show the root causes of water usage and is helpful for water resource management and policy making. However, conventional methods and data for a WF rarely assess the input and output of intermediate products directly and comprehensively. Therefore, this study proposes an approach to access the WF of intermediate products as well as final products in each sector of an economy’s water sustainability profile. An Economic Input‐output‐based Life‐Cycle Assessment (EIO‐LCA) framework is designed for the accounting, which describes the intermediate WF products of each sector in a material‐product network. This method is implemented into a 2016 case study for a comprehensive Chinese WF. The results showed that the total WF of Chinese inhabitants (consumers) in 2016 was 5.76 × 10 11 m 3 , and the top three sectors with the largest WF were agriculture (1.78 × 10 11 m 3 ), food (1.05 × 10 11 m 3 ) and machinery manufacturing (5.68 × 10 10 m 3 ); agriculture provided the largest quantity of virtual water contained in its intermediate product for the other sectors. From the perspective of producers, the total WF of the Chinese economic sectors in 2016 was 5.84 × 10 11 m 3 . The sectors with the largest direct water use were agriculture (2.20 × 10 11 m 3 ), electricity (7.64 × 10 10 m 3 ) and chemical Industry (2.35 × 10 10 m 3 ); and large parts of their direct water usage were consumed to prepare intermediate products for other sectors. The results of this study show that a more inclusive approach provides an enhanced qualitative and resource‐ethical view for water accounting and management.
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.
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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle