MétaCan
Menu
Retour à la cohorte
Enregistrement W4400090304 · doi:10.1007/s11269-024-03921-w

Sustainable Water Resources Management through Disaggregated Multi-Region Virtual Water Flow and Interaction Analysis

2024· article· en· W4400090304 sur OpenAlexaff
Boyue Zheng, Lirong Liu, Guohe Huang, Brian W. Baetz, Mengyu Zhai, Kaiqiang Zhang, Lu Chen

Notice bibliographique

RevueWater Resources Management · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueWater resources management and optimization
Établissements canadiensMcMaster UniversityUniversity of Regina
Organismes subventionnairesnon disponible
Mots-clésVirtual waterWater resourcesWater scarcityEnvironmental scienceInflowEnvironmental economicsHydrogeologyIntegrated water resources managementResource (disambiguation)Computer scienceEnvironmental resource managementWater resource managementBusinessEngineeringEconomicsGeology

Résumé

récupéré en direct d'OpenAlex

Abstract Virtual water transfer is considered as an important pathway to alleviate water shortage in arid regions due to limited water resources and unbalanced distribution. It is essential to explore the hidden mechanism of virtual water transfers among multiple regions to support future water resources allocation and management. In this study, a Disaggregated Multi-Region Virtual Water Flow and Interaction (DrWIn) model is developed to facilitate the analysis of virtual water inflow, outflow, transfer balance, and the related interactions. In addition, a factorial analysis is integrated to quantify the impacts of industrial water consumption and their interactive effects. A special case study of China is conducted to illustrate the applicability and superiority of the DrWIn model. It is found that interaction effects of any two industries are negative, indicating that high freshwater consumption in two industries is not the best choice. The obtained results provide a solid scientific basis for identifying the key industries and regions across a multi-region study system and supporting water resources utilization management in the future.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Communication savante
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,636
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,008
Tête enseignante GPT0,206
Écart entre enseignants0,198 · 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 tête enseignante, pas un consensus.

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

Citations9
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWater Resources ManagementMême sujetWater resources management and optimizationTravaux en français237 207