MétaCan
Menu
Retour à la cohorte
Enregistrement W4287646750 · doi:10.5281/zenodo.5017583

SWOT Analysis of Reclaimed Water Use for Irrigation in Southern Spain

2020· article· en· W4287646750 sur OpenAlexfundno aff
Rafael Casielles Restoy, Julio Berbel, Enrique Mesa, Alfonso Expósito

Notice bibliographique

RevueZenodo (CERN European Organization for Nuclear Research) · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueWater resources management and optimization
Établissements canadiensnon disponible
Organismes subventionnairesNational University of SingaporeLee Kuan Yew School of Public Policy, National University of SingaporeEuropean CommissionSocial Sciences and Humanities Research Council of CanadaAustralian Water Recycling Centre of Excellence
Mots-clésSWOT analysisReclaimed waterIrrigationWater resource managementEnvironmental scienceGeographyEnvironmental planningBusinessEnvironmental engineeringAgronomyWastewaterBiologyMarketing

Résumé

récupéré en direct d'OpenAlex

The EU project ‘Network for effective knowledge transfer on safe and economic wastewater reuse in agriculture in Europe (SUWANU-Europe)’ aims to identify the limitations and factors of success in fostering the use of reclaimed water by the agricultural sector in different European regions. This study shows the results of a SWOT (Strengths-Weaknesses-Opportunities-Threats) analysis in the case of Andalusia (Southern region in Spain). The goal is to define a regional strategic plan to promote the use of urban reclaimed water for irrigation purposes. The SWOT analysis carried out in this study has identified barriers and challenges that still exist in the implementation of irrigation systems with reclaimed water. Among the main threats identified, stakeholders’ perceptions and the higher cost of reclaimed water for irrigators (compared to alternative sources) play a relevant role. Additionally, the excessive bureaucracy and long administrative processes are significant weaknesses to be considered. On the other hand, technology availability and the increasing scarcity of conventional sources are seen as strength and opportunity factors for the expansion of reclaimed water use for irrigation purpose

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)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,037

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0030,004
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,040
Tête enseignante GPT0,203
Écart entre enseignants0,163 · 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'étudeQualitatif
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

Citations3
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueZenodo (CERN European Organization for Nuclear Research)Même sujetWater resources management and optimizationTravaux en français237 207