Gestion de la contamination des eaux souterraines par les fertilisants agricoles: application du modèle AgriFlux
Notice bibliographique
Résumé
La contamination croissante des eaux souterraines par les fertilisations agricoles nécessite une gestion efficace de ces ressources impliquant l'utilisation combinée d'outils informatiques et de suivis de terrain. Le modèle AgriFlux a été développé afin de combler une lacune existant entre les modèles de recherche très complexes et les modèles de gestion peu flexibles. AgriFlux est un modèle de type mécaniste-stochastique, c'est-à-dire utilisant une représentation conceptuelle des mécanismes combinée à une prise en compte de la variabilité des paramètres et processus. Il permet l'évaluation de la contamination potentielle des eaux souter- raines par les fertilisants agricoles. Les modules HydriFlux (bilan hydrique) et NitriFlux (cycle de l'azote) sont actuellement disponibles. Une application du modèle est présentée dans l'optique de la gestion environnementale d'un système agricole. Le site expérimental étudié est localisé près de la ville de Québec (Canada). Il s'agit d'un limon sableux sous culture de maïs sucré (Zea Mays, L.) et recevant des fertilisations inorganiques selon les doses recommandées. Un échantillonnage de l'eau interstitielle a été réalisé sur un réseau de lysimètres avec tension durant deux saisons végétatives ainsi qu'un échantillonnage du sol durant un été. Le contenu en nitrates est déterminé dans les deux cas. Les concentrations en nitrates dans les eaux interstitielles simulées à l'aide d'AgriFlux représentent relativement bien les concentrations mesurées. Les différences observées peuvent être expliquées en partie par les conditions de grande sécheresse ayant prévalu durant la période d'étude. Les contenus en nitrates mesurés dans le sol sont moins bien représentés par le modèle. En début de saison, les variations rapides des contenus en nitrates observées au champ ne sont pas reproduites par le modèle alors que les valeurs de fin de saison sont mieux obtenues par le modèle. Malgré ces différences, la concordance au niveau des ordres de grandeur des concentrations dans l'eau obtenues du modèle et des mesures de terrain confirme l'intérêt d'un tel outil pour la gestion environnementale des contaminations agricoles des eaux souterraines.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».