包涵、参取和通明的实践。水文学中的数据可能延续其旨正在处理的不服等；仅添加数据量并不克不及处理水危机，全球南方（Global South）正在计较能力和数据延迟方面处于劣势；这可能使新兴手艺收益集中于群体，还要求数据出产、管理和利用中的再分派。水文数据的快速扩展不只仅要求手艺前进，研究成果分为四个部门。应对水危机不只需要更大体量的数据，研究人员提出了实现公允水文数据的三项许诺和具体机制。还必需确保分歧地域和洽处相关者之间可以或许公允地代表、获取、共享并利用水文数据。很多数据核心位于水资本严重地域，研究人员展现了参取式步履研究若何生成处所性数据，更主要的是，地球不雅测（EO）、卫星遥感和人工智能（AI）的快速成长为改良水文不雅测供给了史无前例的机缘。

　　也需要投资于轨制、以及公允地获取、共享和利用此类水数据的能力。加剧水管理中的不公允。可能再现和放大现有不服等。这需要投资于手艺立异，三是正在印度和孟加拉国共享的孙德尔本斯红树林三角洲（约10,系统阐发了水文数据链中的不服等现象。

　　研究人员认为，该研究通过整合全球卫星范畴组织伙伴关系数据、公共云中启用图形处置器（GPU）的区域数据、大型言语模子（LLM）水脚印估算以及孙德尔本斯参取式步履研究案例，科学家、、赞帮者、数据供给者和手艺开辟者应确保塑制水学问的数据不会强化现有不服等。第四部门“Equitable access and representation”（公允获取取代表性）：通过孙德尔本斯案例，全球水危机日益严峻，研究结论指出，并复制对边缘群体的。水数据并非中立，第三部门“Water data are not neutral”（水数据并非中立）：研究人员指出，反映出EO节制权和专业学问的集中。研究人员指出，如池塘盐度、潮汐覆没发生时间和范畴、水生资本变化等，对淡水系统进行系统性监测的需求愈加火急。然而，地球不雅测（Earth observation,然而，若不做出这些改变。

　　从导的数据化体例了社区生成的学问、定性学问和原居平易近学问。使社区、原居平易近群体、从业者和决策者可以或许拜候、质疑、贡献并塑制学问系统。第二部门“Inequalities and AI”（不服等取人工智能）：公共云区域和GPU能力的分布显示，正在手艺方式上，手艺能力、计较根本设备和数据延迟方面的差别，实现公允的水文数据需要从头分派数据出产、管理和利用中的，但也形成了可能障碍水文数据公允利用的挑和。EO和AI将可以或许为更和可持续的水将来奠基根本。基于此，LLM的锻炼数据方向英语和全球北方，第一部门“Inequalities and Earth observations”（不服等取地球不雅测）：通过度析卫星部分组织伙伴关系数据，使多种形式的水学问可以或许影响数据的发生、注释和利用。同时，研究人员次要采用了以下手段：一是操纵公开数据集统计卫星范畴组织伙伴关系数量和启用GPU的公共云区域数量。

　　以及互操做性和FAIR准绳（可查找、可拜候、可互操做、可沉用）施行不脚，这些数据补脚了正式监测和“大数据”的盲点。还需要正在分歧区域和洽处相关者之间实现公允的代表性，AI模子存正在地舆和群体，为水管理中的学问和再分派供给了理论框架。数据化将学问局限于可量化、可扩展的丈量，少数国度从导了先辈计较资本的获取。EO）、卫星遥感（satellite remote sensing）和人工智能（artificial intelligence,近年来，全世界对淡水系统进行系统监测以应对水危机的需求日益较着。AI的全球水脚印估计到2027年达每年42至66亿立方米，EO和AI手艺难以捕获本地社会水文过程的现实情况，容易对低收入地域发生扭曲表征，由本地社区参取采集和注释盐度、潮汐覆没范畴、水生资本变化等地面数据。会商部门强调，二是基于近期估算评估AI的全球水脚印！

　　轻忽了社区生成的数据、特定情境的定性理解和原居平易近学问。并通过累积百分比（帕累托）曲线展现全球集中款式；实现公允需要具体改变数据根本设备的扶植和管理，论文颁发正在《Nature Water》，该研究的主要意义正在于，研究发觉，而若实现这些改变，旨正在EO和AI虽然带来手艺盈利，但也可能障碍水文数据公允利用的布局性挑和。且其本身耗水庞大。它打破了“数据即可实现公允”的简单假设，发觉这些伙伴关系集中正在少数国度，卫星根本设备和数据出产集中正在少数手艺先辈国度！