MétaCan
Menu
Retour à la cohorte
Enregistrement W2898264935 · doi:10.1111/wej.12394

Water footprint assessment considering intermediate products: model and a 2016 case study of China

2018· article· en· W2898264935 sur OpenAlexaff
Yuan Zhi, Paul B. Hamilton, Xiufeng Wang, Longyue Liang

Notice bibliographique

RevueWater and Environment Journal · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueEnvironmental Impact and Sustainability
Établissements canadiensCanadian Museum of Nature
Organismes subventionnairesGuizhou Science and Technology Department
Mots-clésVirtual waterAgricultureWater useProduct (mathematics)SustainabilityLife-cycle assessmentChinaFootprintBusinessResource (disambiguation)Carbon footprintInput–output modelElectricityAgricultural economicsProductivityEnvironmental scienceAgricultural scienceNatural resource economicsEnvironmental economicsEconomicsEngineeringMathematicsProduction (economics)Water scarcityGeographyEconomic growthComputer scienceGreenhouse gas

Résumé

récupéré en direct d'OpenAlex

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 × 1011 m3, and the top three sectors with the largest WF were agriculture (1.78 × 1011 m3), food (1.05 × 1011 m3) and machinery manufacturing (5.68 × 1010 m3); 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 × 1011 m3. The sectors with the largest direct water use were agriculture (2.20 × 1011 m3), electricity (7.64 × 1010 m3) and chemical Industry (2.35 × 1010 m3); 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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,309
Score d'incertitude au seuil0,614

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0020,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,013
Tête enseignante GPT0,249
Écart entre enseignants0,236 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations7
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWater and Environment JournalMême sujetEnvironmental Impact and SustainabilityTravaux en français237 207