Modelling Approaches for Subsurface Drainage Water Quality Management
Notice bibliographique
Résumé
Abstract Contamination of surface waters by agricultural activities is a serious problem. Two different modelling approaches to simulate nutrient and pesticide transport in subsurface drained soils were investigated in this study. First, artificial neural network (ANN) models, a trainable fast back-propagation (FBP) network and a self-organizing radial basis function (RBF) network, were developed for simulation of NO3--N concentration in tile effluent. Second, a hydrologic model, DRAINMOD, was linked with a chemical transport model, GLEAMS, to simulate chemical transport of atrazine through the soil into subsurface drain outflow. The ANN models and linked DRAINMOD-GLEAMS model were calibrated and validated against experimental data collected at the Greenbelt Research Farm of Agriculture Canada during the years 1988, 1989 and from 1991 to 1994. Several statistical parameters were calculated to evaluate model performance. A comparison of results indicated that the RBF neural network model was superior to the FBP model in predicting drain outflow and NO3--N concentration. Results obtained from the linked DRAINMOD-GLEAMS model demonstrate that atrazine simulations were underpredicted in subsurface drain outflows for spring and fall seasons. Both modelling approaches provide a useful tool for management of fertilizer/manure and pesticides transport through soil and crop root zones into surface water.
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 | 0,020 | 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 | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».