MétaCan
Menu
Retour à la cohorte
Enregistrement W3135749388 · doi:10.3390/w13050645

Sustainable Surface Water Storage Development Pathways and Acceptable Limits for River Basins

2021· article· en· W3135749388 sur OpenAlexaff
Nishadi Eriyagama, Vladimir Smakhtin, Lakshika Udamulla

Notice bibliographique

RevueWater · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueWater resources management and optimization
Établissements canadiensUnited Nations University Institute for Water, Environment, and Health
Organismes subventionnairesnon disponible
Mots-clésStructural basinWater storageSurface runoffEnvironmental scienceHydrology (agriculture)Drainage basinSustainabilitySurface waterStreamflowWater resourcesWater resource managementEnvironmental engineeringEngineeringGeologyGeographyEcologyGeotechnical engineering

Résumé

récupéré en direct d'OpenAlex

This paper addresses the questions of acceptable upper limits for storage development and how best to deploy storage capacity in the long-term planning of built surface water storage in river basins. Storage-yield curves are used to establish sustainable storage development pathways and limits for a basin under a range of environmental flow release scenarios. Optimal storage distribution at a sub-basin level, which complies with an identified storage development pathway, can also be estimated. Two new indices are introduced—Water Supply Sustainability and Environmental Flow Sustainability—to help decide which pathways and management strategies are the most appropriate for a basin. Average pathways and conservative and maximum storage limits are illustrated for two example basins. Conservative and maximum withdrawal limits from storage are in the range of 45–50% and 60–65% of the mean annual runoff. The approach can compare the current level of basin storage with an identified pathway and indicate which parts of a basin are over- or under-exploited. A global storage–yield–reliability relationship may also be developed using statistics of annual basin precipitation to facilitate water resource planning in ungauged basins.

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)0,002
score de la tête « metaresearch » (Gemma)0,006
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: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,012
Tête enseignante GPT0,176
Écart entre enseignants0,164 · 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

Citations6
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWaterMême sujetWater resources management and optimizationTravaux en français237 207