A stochastic benefit-cost analysis is used to analyze the profitability of irrigating from an Onarm water storage (OFWS) system using a center pivot irrigation system (CPIS) compared to a rained production system for corn and soybean in the Southeast while also incorporating risk in the form of stochastic prices, yields and weather. Findings indicate that producer’s decision to invest in an OFWS is dependent on the existing rate of returns and risk aversion levels. When costs are paid upront, net present values for irrigating from an OFWS are lower than that of rainfall when discount rates are just above 2%. Higher net present values for irrigation relative to rainfall production are realized when the cost of investment is financed rather than making an upront payment at higher discount rates. Investing in an OFWS on small farm sizes is not a good option for risk averse producers but, under extreme risk aversion levels, decision makers may prefer to irrigate and insure their revenue at higher coverage levels than depend on rainfall. Cost assistance opportunities for crop producers to prevent downstream flow of nutrients from production fields through the use OFWS should be more than 40% to make irrigation more desirable than dryland production at 8% and 10% discount rates.

Σε μία κοινωνία όπου η λήψη των σωστών αποφάσεων απαιτεί μεγάλη ταχύτητα, είναι γνωστό πως τα πληροφοριακά συστήματα παίζουν πολύ σημαντικό ρόλο. Ο νοσοκομειακός κλάδος, είναι ένας κλάδος που δεν αποτελεί εξαίρεση σε αυτό. Προκειμένου, λοιπόν, τα ενδιαφερόμενα μέρη ενός νοσοκομείου να μπορούν να παρακολουθήσουν τη λειτουργία του με στοιχεία τα οποία να ανταποκρίνονται στην πραγματικότητα, απαραίτητη προυπόθεση είναι τα δεδομένα που εξάγονται να είναι έγκυρα σε μορφή επεξεργασμένης πληροφορίας. Κατά συνέπεια, όσο πιο πλήρης είναι η ανάπτυξη της υποδομής των πληροφοριακών συστημάτων, τόσο πιο εύκολο είναι να διοικηθεί μία νοσοκομειακή μονάδα. Πιο συγκεκριμένα στην παρούσα εργασία θα ασχοληθούμε με τη διαχείριση των υλικών σε μία νοσοκομειακή μονάδα. Δυστυχώς, ακόμα και στις μέρες μας σε ένα νοσοκομείο παρόλο που τα πληροφοριακά συστήματα και οι τεχνολογία έχουν εξελιχθεί πάρα πολύ, καθώς υπάρχουν πολλές μέθοδοι ταξινόμισης και εξειδικευμένων εφαρμογών για την περιγραφή και τον εντοπισμό των υλικών του νοσοκομείου, τις περισσότερες φορές τα δεδομένα που παρέχονται μένουν ανεκμετάλλευτα τόσο από τη διοίκηση όσο και από τους επαγγελματίες υγείας. Στην παρούσα εργασία αρχικά αναφέρουμε την ανάγκη ταξινόμισης των υλικών των μονάδων υγείας του Ε.Σ.Υ., καθώς επίσης και την καταλληλότερη μέθοδο κωδικοπίησης που είναι η GMDN. Στη συνέχεια αναλύουμε τη δομή της κωδικοποίησης του Πανεπιστημιακού Γενικού Νοσοκομείου Πατρών (Π.Γ.Ν.Π.). Έπειτα αναλύουμε το γεγονός πως πολλά λάθη γίνονται κατά την παραγγελία των υλικών του νοσοκομείου, καθώς και τις αιτίες που προκαλλούν αυτά τα λάθη, θέτοντας έτσι το πρόβλημα με το οποίο θα ασχοληθούμε. Πιο συγκεκριμένα, σύμφωνα με τον Νόμο υπ’αρ. 2955/01 περί προμηθειών νοσοκομείων και λοιπών μονάδων υγείας του ΠΕ.Σ.Υ., τα υλικά του νοσοκομείου κατηγοριοποιούνται και κωδικοποιούνται κατά τρόπο συμβατό με τα διεθνή πρότυπα. Όλες οι εταιρείες που εμπορεύονται ιατροτεχνολογικά προϊόντα και επιθυμούν να είναι προμηθευτές των νοσοκομείων, υποχρεούνται να καταχωρήσουν τα προϊόντα που διακινούν στο κωδικολόγιο διακινούμενων ιατροτεχνολογικών προϊόντων που διατηρεί το ΕΚΕΒΥΛ. Το κωδικολόγιο αυτό χρησιμοποιεί το σύστημα ονοματολογίας που είναι συμβατό με το Ευρωπαϊκό πρότυπο EN ISO 15225, δηλαδή την GMDN. Το Η.ΔΙ.Κ.Α. όμως έχει ζητήσει από το νοσοκομείο να κωδικοποιεί τα υλικά του σε τέσσερα επίπεδα, κάτι το οποίο δε συνάδει με τις οδηγίες του ΕΚΕΒΥΛ. Ενώ η κωδικοποίηση της GMDN παραθέτει τα είδη σε πιο γενική μορφή, ίσως σε επί πεδο υποομάδας, η κωδικοποίηση του Π.Γ.Ν.Π. τα παραθέτει κατ’είδος. Αυτό σημαίνει πως θα πρέπει να γίνει αντιστοίχιση των κωδικών των υλικών που προμηθεύονται τα νοσοκομεία, με αυτούς της GMDN. Η λύση που προτείνουμε για αυτό το πρόβλημα είναι η αντιστοίχιση των οντολογιών. Για να γίνει κατανοητό περί τίνος πρόκειται, κάνουμε μία αναφορά στο τι είναι οντολογίες, το πώς αυτές δημιουργούνται και ποια είναι η χρήση τους. Οι οντολογίες συνδυάζουν τις δύο προηγούμενες κωδικοποιήσεις ώστε να βρεθεί μία λύση, αντιστοιχίζοντας το νοσοκομείο τους κωδικούς του με τους κωδικούς της GMDN. Η μέθοδος αντιστοίχισης οντολογιών που προτείνουμε είναι η ONARM. Η μεθοδολογία αυτή κινείται στο χώρο της έξυπνης εξόρυξης των δεδομένων από τον τομέα της τεχνητής νοημοσύνης data mining. Πιο συγκεκριμένα, είναι εξειδικευμένη σε δεδομένα με την μορφή εννοιών οι οποίες απεικονίζονται σε δενδρικές μορφές – γράφους, με το σχήμα των οντολογιών. Η μεθοδολογία ONARM είναι σε θέση να αξιοποιήσει τέτοιου είδους προσωπικούς γράφους χρηστών και να τους συσχετίζει, έτσι ώστε να βρεθούν κοινά ενδιαφέροντα απεικονισμένα με την μορφή εννοιών και έπειτα η συσχέτισή τους. Συνεχίζοντας κάνουμε μία ανάλυση αυτής της τεχνικής αντιστοίχισης οντολογιών, αναλύοντας τα βήματα με τα οποία πραγματοποιείται. Η παρούσα εργασία ολοκληρώνεται κάνοντας μία μελέτη περίπτωσης, εφαρμόζοντας τη μέθοδο αντιστοίχισης οντολογιών ONARM στις κωδικοποιήσεις που ήδη έχουν αναπτυχθεί παραπάνω. Τέλος παρουσιάζουμε τα αποτελέσματα καθώς και κάποια συμπεράσματα. / In a society where making the right decisions requires high speed, it is known that information systems play a very important role. The hospital industry is one industry that is no exception to this. In order, therefore, interested parties a hospital they can monitor the operation of the elements which correspond to the reality, it is required the data to be exported in the form of valid processed information. Consequently, the more complete is the infrastructure development of information systems, the easier it is to dioikithei one hospital unit. Specifically in this paper we will deal with the management of materials in a hospital unit. Unfortunately, even nowadays in a hospital although the information systems and technology have evolved too, as there are many methods of sorting and specialized applications for the description and identification of materials of the hospital, most of the times the data provided live unexploited by both the administration and from health professionals. In this paper initially mention the need for sorting of materials NHS health units, as well as the most appropriate method kodikopiisis that is GMDN. Then we analyze the structure of the coding of the University Hospital of Patras (PGNP). Then we analyze the fact that many mistakes made ​​when ordering materials hospital, and the causes prokalloun these errors, thus the problem with which we deal. More specifically, according to Law no. 2955/01 on procurement by hospitals and other health units PE.S.Y., materials hospital categorized and coded in a manner compatible with international standards. All companies who market medical devices and wish to be suppliers of hospitals, are required to register their products moving in kodikologio migrant medical devices that maintains EKEVYL. The kodikologio uses the nomenclature system that is compatible with the European standard EN ISO 15225, ie GMDN. The I.DI.K.A. but has asked the hospital to encode materials in four levels, which is consistent with the instructions EKEVYL. While coding GMDN lists the species in most general form, perhaps at a level subgroup, the codification of PGNP the lists by nature. This means that you should be reconciled codes of materials supplied hospitals with those of GMDN. Our solution to this problem is the matching of ontologies. To understand what is going on, make a reference to what ontologies are, how they are created and what is their use. Ontologies combine the previous two encodings to find a solution by assigning hospital codes with the codes of GMDN. The ontology mapping method we propose is ONARM. This methodology moves in the field of predictive data mining of the field of artificial intelligence data mining. More specifically, it is specialized in data in the form of concepts which are illustrated in arboreal forms - graphs, the shape of ontologies. The methodology ONARM be able to utilize such personal user graphs and tying in order to find common interests depicted in the form of concepts and then correlate them. Continuing do an analysis of this technique ontology matching, analyzing the steps which effected. This thesis concludes by making a case study applying the mapping method ontologies ONARM to encodings already developed above. Finally we present the results and some conclusions.

Evaluation of an On-Farm Water Storage (OFWS) system as a Best Management Practice (BMP) for nutrient and sediment loading control and irrigation in East Mississippi has shown that the system can effectively reduce sediment and nutrient loading as it was able to capture 46 tons of sediment and 558 kg of phosphorus over the monitoring period. The system was also able to decrease nitrogen loading as shown from the nitrogen concentration in the captured storm runoff events although an accurate estimate could not be made using AnnAGNPS because adequate model input data was not available. The system was able to provide about 63 million gallons of water for irrigation as a result of which increased corn and soybean yield was also obtained in irrigated fields when compared to non-irrigated fields. Water from the storage pond used for irrigation did not have adequate nutrient recycling to reduce commercial fertilizer application.

The onarm water storage (OFWS) systems at Metcalf and Pitts farm in Porter Bayou Watershed were monitored for changes in nutrient levels and water withdrawal for irrigation from March 2012 to April 2013. Nitrogen and phosphorus levels were generally higher during the early part of the growing season. The OFWS systems can reduce nitrate and phosphorus in runoff up to 81% and 85%, respectively. However, the systems did not consistently reduce sediment and nutrients especially after significant rainfall and runoff events. The systems provided a total of 130 and 233 acreeet of recycled water for irrigating crops at Metcalf and Pitts, respectively, during the 2012 growing season. These amounts reflect significant savings in terms of groundwater. This study highlights the advantages of OFWS systems as structural BMPs to reduce nutrient loading into the Gulf of Mexico and to minimize groundwater withdrawals from the Mississippi Alluvial Aquifer.

Ninety-eight percent of water taken from the Mississippi River Shallow Alluvial Aquifer, hereafter referred to as “the aquifer” or “MRVA,” is used by the agricultural industry for irrigation. Mississippi Delta agriculture is increasingly using more water from the MRVA and the aquifer has been losing about 300,000 acreeet per year. This research expands on previous work in which a model was developed that simulates the effects of climatic variability, crop acreage changes, and specific irrigation methods on consequent variations in the water volume of the MRVA. This study corrects an identified problem by replacing total growing season precipitation with an irrigation demand driver based on evaporation and crop coefficients and changing the time scale from the entire growing season to a daily resolution. The calculated irrigation demand, as a climatological driver for the model, captures effective precipitation more precisely than the initial growing season precipitation driver. Predictive equations resulting from regression analyses of measured versus calculated irrigation water use showed R2 and correlations of 0.33 and 0.57, 0.77 and 0.88, 0.71 and 0.84, and 0.68 and 0.82 for cotton, corn, soybeans and rice, respectively. Ninetyive percent of the predicted values fall within a range of + or - about 23,000 acreeet, an error of about 10-percent. The study also adds an additional conservation strategy through the use of surface water from onarm reservoirs in lieu of groundwater. Analyses show that climate could provide the entire water need of the plants in 70-percent of the years for corn, 65-percent of the years for soybeans and cotton, and even 5-percent of the years for rice. Storing precipitation in onarm structures is an effective way to reduce reliance of Delta producers on groundwater. If producers adopted, at a minimum, the 97.5:2.5 ratio suggested management practice, this minimal management strategy could potentially conserve 48-percent, 35-percent and 42-percent of groundwater for cotton, corn and soybeans, respectively. Even in extreme drought years such as 2007, cotton, corn and soybeans produced under the 97.5:2.5 management strategy could conserve 32-percent, 46-percent and 38-percent of groundwater, respectively.