MétaCan
Menu
Retour à la cohorte
Enregistrement W2915593686 · doi:10.3390/w11020400

Allocating Water in the Mekong River Basin during the Dry Season

2019· article· en· W2915593686 sur OpenAlexafffund
Liang Yuan, Weijun He, Zaiyi Liao, Dagmawi Mulugeta Degefu, Min An, Zhaofang Zhang, Xia Wu

Notice bibliographique

RevueWater · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueWater resources management and optimization
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaNational Natural Science Foundation of China
Mots-clésRiparian zoneWater resource managementDry seasonMekong riverPopulationEnvironmental scienceHydropowerNatural resource economicsWater rightWater resourcesGeographyEconomicsStructural basinEcology

Résumé

récupéré en direct d'OpenAlex

With population numbers increasing and anthropogenic climate change, the amount of available fresh water is declining. This scenario can lead to an increase in the occurrence of water conflicts, especially in transboundary river basins. Prevention strategies to avert water conflicts by designing a fair, efficient, and sustainable water allocation framework are needed. Taking into account the socioeconomic and environmental differences among the riparian countries is one of the most important features an allocation scheme should have. In this article, bankruptcy and bargaining games were used to construct a new weighted water allocation model. The proposed method was applied to allocate the contested water capital of the Mekong River during the dry season. The Mekong River originates in China and flows through Myanmar, Laos, Thailand, Cambodia, and Vietnam. The results of the allocation showed that, except for China and Vietnam, all the other riparian countries get their full claim of the water demand from the river. The water allocation payoffs satisfy individual rationality, Pareto optimality, and maximization of the group utility. Therefore, the allocation outputs from the proposed scheme are self-enforceable and sustainable.

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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,379
Score d'incertitude au seuil0,686

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)0,0000,001

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.

Tête enseignante Opus0,004
Tête enseignante GPT0,154
Écart entre enseignants0,151 · 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'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

Citations45
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueWaterMême sujetWater resources management and optimizationTravaux en français237 207