Multi-criteria decision analysis in assessing watershed scale pollution risk: a review of combined approaches and applications
Notice bibliographique
Résumé
Decision-making tools have become a prominent methodology in watershed management for many years due to the complexity of environmental systems and requirement for multi-disciplinary expertise. Multi-Criteria Decision Analysis (MCDA) is a systematic methodology, which combines hierarchical structures of a problem and priorities for the alternatives in many fields. This study reviews MCDA applications in pollution risk assessment in the abiotic environments of watersheds for multi-pollutants. Over 80 papers published between 2000 and 2021 are identified in three categories of the Web of Science Core Collection database: “Environmental Sciences”, “Environmental Studies”, and “Water Resources”. The publications are further classified according to different environmental compartments: surface water, groundwater, and soil to investigate MCDA applications in these matrices. Finally, the distribution of the publications according to contaminants and MCDA methods used are also examined. The results reveal that the number of the studies focusing on pollution risk assessment within watersheds has been significantly increasing, especially over the last decade. However, there are still limited MCDA applications linking environmental compartments. Despite several MCDA studies focusing on the vulnerability of watersheds to multiple pollutants, studies related with emerging pollutants are scarce. Moreover, compared to non-point source pollution, studies adopting MCDA to investigate pollutant concentrations coming from point sources are relatively few. According to the overall distributions of MCDA methods, Analytic Hierarchy Process, a commonly found method in the literature that adopts a technique of pairwise comparison to prioritize criteria of prominence, dominates 34% of the publications.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
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 ».