Spatio-temporal Dynamics of Water Footprints of Food Consumption in South Korea: A Decomposition Analysis
Notice bibliographique
Résumé
South Korea faces severe water stress, as classified by the OECD, with changing dietary patterns significantly impacting water resources. To ensure water conservation and food security, it is crucial to understand the driving factors of the water footprint of food consumption (WFC). This study examined the WFC in South Korea from 2007 to 2023, focusing on how dietary choices impact water use and sustainability, and identified the key driving factors of changes in WFC. Using the logarithmic mean Divisia index (LMDI), this study decomposed these drivers into water footprint intensity, dietary structure, average dietary intake per person, and population effect. Additionally, global and local spatial autocorrelation analyses were used to measure the degree of spatial aggregation and distribution of WFC across administrative units. Results revealed a significant increase in WFC, from 27.6 km3 in 2007 to 34.7 km3 in 2023, with an average annual growth of 2%. Among the drivers, water footprint intensity contributed most to the increase in WFC, while average dietary intake per person led to a decrease. Cereals, meats and fish collectively account for more than 76% of the total WFC during the study period. The findings suggest that the drivers influencing the changes in WFC vary across administrative units, underscoring the need for tailored policies and strategies to promote sustainable food consumption practices that could conserve water resources in each administrative unit.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».