Evaluating Distributed Policies for Conjunctive Surface Water‐Groundwater Management in Large River Basins: Water Uses Versus Hydrological Impacts
Notice bibliographique
Résumé
Abstract It is imperative to understand the interconnectedness of water use and hydrological impacts for water policy design underlying varying hydrological conditions across space and over time. However, such analysis remains difficult, constrained by the lack of appropriate modeling tools that fully integrate water policies, water use, and hydrological processes with high spatiotemporal resolutions. To address this challenge, this study proposes a distributed policy design scheme featuring spatially variable and temporally dynamic policies for conjunctive surface water‐groundwater management in large river basins. A fully integrated modeling framework is developed to tightly couple (a) an agent‐based model for farmers' water use under distributed water policies and (b) a physically based hydrological model for surface water‐groundwater processes. The modeling framework is applied to the Heihe River Basin to assess water use and hydrological impacts under distributed water policies. By using the distributed policy scheme to adjust a water policy (e.g., groundwater tax) across space and over time, we found that hydrological outcomes can be improved without adversely reducing agricultural water supply. For example, by shifting the implementation of a high groundwater tax from dry to wet years, a rise of the water table by 0.28 m (0.03–0.95 m across different irrigation districts) can be achieved while the total water supply is maintained at a similar level. Furthermore, hydrological externality effects among nearby districts can be explicitly identified and quantified based on assessments of spatially varying water policies. This study highlights the need for water policy design to consider spatiotemporal variations in the physical hydrological system.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».