Enabling efficiency-driven and low-impact water management from robust decision making: A risk- and robustness-based multi-objective decision support model
Notice bibliographique
Résumé
Increasing water-use efficiency across all sectors has been set as a key target for sustainable water management within the framework of the United Nations Sustainable Development Goals . Agriculture stands out as a key sector where opportunities for sustainable transformation arise, due to its dominant position in water use. The aim of this study is to propose a risk- and robustness-based multi-objective decision support model (RARB-MODSM) tool to help explore water-efficient agricultural development schemes and to enable inclusion of their associated environmental impacts into a stringent assessment of the risks. This tool allows for integration of economic growth and water use objectives with stringent pollution control requirements to help gain insights into the trade-offs between resource efficiency and environmental impact. This paper provides a case study of the application of this decision support tool in a prefectural-level city in China as an example of demonstrating how the tool could help reduce the water usage from the agricultural sector while enabling a higher economic productivity. The results show that expanding agricultural production in two regions of the city may help promote efficiency-oriented water management and improve the entire agricultural system's economic productivity. The results also indicate that this agricultural system is more sensitive to the control over phosphorus discharge and imposing more stringent total phosphorus (TP) control requirements within local agricultural system may help achieve better results on the system-wide pollution control. Overall, this tool demonstrates the applicability of using the systems analysis approach to help navigate the agricultural transition toward a water-efficient and low-impact growth path.
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 | 0,001 | 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 | 0,000 | 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 ».