Forecasting municipal water demands: Evaluating the impacts of population growth, climate change, and conservation policies on water end-use
Notice bibliographique
Résumé
Urban population growth, climate change, and uncertainty about future technologies, behaviors, and policies have made long-term municipal water demand forecasting increasingly complex. This study introduces the Edmonton Water Demand Simulator (EWDS), a novel hybrid model that integrates system dynamics, artificial neural networks, and regression techniques to forecast municipal water demand at a weekly scale through 2100. The EWDS was validated against historical municipal data and applied to scenario-based experiments for Edmonton, Canada. Results quantify the relative and combined impacts of population growth, climate change, technological change, and conservation measures. Population growth emerged as the dominant driver, with a 20 % difference in water demand between high and low growth scenarios by 2100. Climate change increased total demand by 12 %, primarily through higher outdoor water use and longer watering seasons. Conservation efforts reduced per capita demand by up to 15 %. Under high population growth and greater climate change without new conservation efforts, municipal demand was projected to double by 2066, while slower growth and conservation delayed doubling by nearly 30 years. These findings highlight the critical role of conservation in mitigating future demands, while also emphasizing the need to account for demographic and climate-driven changes. The EWDS framework is transferable to other regions with similar demand structures and supports sustainable water management under uncertainty.
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 | 0,000 |
| 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 ».