Analysing the development of the climate, land, energy, and water systems (CLEWs) modelling framework: a state-of-the-art review
Notice bibliographique
Résumé
Abstract This comprehensive state-of-the-art literature review explores recent scientific developments in climate, land, energy, and water systems (CLEWs) modelling by systematically analysing 41 peer-reviewed studies published between 2020 and 2024. This research uncovered insights into the evolving interdisciplinary landscape, revealing various trends, such as approximately 74% of studies publishing their data as open-access and 50% employing an open-source analytical tool, or tools, in combination with open-access data. This study identified four areas of significance: (1) the connections between CLEWs and the sustainable development goals, (2) how the CLEWs framework is linked to capacity development, (3) the critical interplay between energy and water systems, and (4) the transformative potential for comprehensive system integration using the CLEWs modelling framework. By pinpointing promising research directions such as soft-linking CLEWs models with geographic information systems, applying robust decision making methodologies, adapting the CLEWs framework to the city level, and highlighting the need to assess real world impact of CLEWs research, the review provides a strategic roadmap for future interdisciplinary research. Notably, the analysis emphasised the urgent need for enhanced institutional coordination and collaborative communities of practice, particularly for open-source modelling tools like the open-source energy modelling system, to further accelerate knowledge dissemination and foster innovative, integrated approaches to complex systemic challenges.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».