MétaCan
Menu
Retour à la cohorte
Enregistrement W619837858

Marginal Value of Irrigation Water Use in the South Saskatchewan River Basin, Canada

2009· article· en· W619837858 sur OpenAlexaboutno aff
Antony Samarawickrema, Suren Kulshreshtha

Notice bibliographique

RevueLincoln (University of Nebraska) · 2009
Typearticle
Langueen
DomaineEngineering
ThématiqueWater resources management and optimization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMarginal valueIrrigationWater useCash cropAgricultureMarginal productMarginal costEnvironmental scienceAgricultural economicsWater resource managementFarm waterCommodityClimate changeValue (mathematics)Marginal landWater conservationEconomicsGeographyProduction (economics)AgronomyMathematicsEcology
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The allocation of water is part of water management. In order to achieve maximum benefits to society, water should be allocated toward uses that have the highest value, followed, as an alternative, by the next highest level or one with equal value. Such decisions require knowledge of water value at the last unit of use. Within agriculture, irrigation is important. Irrigation water must be allocated to various crops; therefore, producers require knowledge of the marginal value of water among alternative crops. This study estimates marginal value product for irrigation water within the southern areas of the Canadian Prairie Provinces using a crop-response model. Marginal values were estimated under the present and a future climate scenario. Cash crops such as potatoes and dry beans had higher marginal values of water, around $1,000 per 1,000 m3. Cereals and oilseed crops lagged behind (close to $200 per 1,000 m3). Results show modest increases in marginal value under climate change, compared to the volatility resulting from commodity market price changes seen today.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,042
Score d'incertitude au seuil0,307

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0010,001
Communication savante0,0020,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,006
Tête enseignante GPT0,138
Écart entre enseignants0,132 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations6
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLincoln (University of Nebraska)Même sujetWater resources management and optimizationTravaux en français237 207