Financial Feasibility of Water Conservation in Agriculture
Notice bibliographique
Résumé
Abstract Global water use for food production needs to be reduced to remain within planetary boundaries, yet the financial feasibility of crucial measures to reduce water use is poorly quantified. Here, we introduce a novel method to compare the costs of water conservation measures with the added value that reallocation of water savings might generate if used for expansion of irrigation. Based on detailed water accounting through the use of a high‐resolution hydrology‐crop model, we modify the traditional cost curve approach with an improved estimation of demand and increasing marginal cost per water conservation measure combination, adding a correction to control for impacts on downstream water availability. We apply the method to three major river basins in the Indo‐Gangetic plain (Indus, Ganges and Brahmaputra), a major global food producing region but increasingly water stressed. Our analysis shows that at basin level only about 10% (Brahmaputra) to just over 20% (Indus and Ganges) of potential water savings would be realized; the equilibrium price for water is too low to make the majority of water conservation measures cost effective. The associated expansion of irrigated area is moderate, about 7% in the Indus basin, 5% in the Ganges and negligible in the Brahmaputra, but farmers' gross profit increases more substantially, by 11%. Increasing the volumetric cost of irrigation water influences supply and demand in a similar way and has little influence on water reallocation. Controlling for the impact on return flows is important and more than halves the amount of water available for reallocation.
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 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 | 0,000 | 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».