New challenges in integrated water quality modelling
Notice bibliographique
Résumé
Abstract There is an increasing pressure for development of integrated water quality models that effectively couple catchment and in‐stream biogeochemical processes. This need stems from increasing legislative requirements and emerging demands related to contemporary climate and land use changes. Modelling water quality and nutrient transport is challenging due a number of serious constraints associated with the input data as well as existing knowledge gaps related to the mathematical description of landscape and in‐stream biogeochemical processes. The present paper summarizes the discussions held during the workshop on ‘Integrated water quality modelling: future demands and perspectives’ (Magdeburg, Germany, 23–24 June 2008). Our primary focus is placed on the current limitations and future challenges in water quality modelling. In particular, we evaluate the current state of integrated water quality modelling, we highlight major research needs to assess and reduce model uncertainties, and we examine opportunities to enhance model predictive capacity. To better account for the need of upscaling process knowledge, we advocate the adoption of combined process‐oriented field and modelling studies at representative sites. In‐stream nutrient metabolism investigations at the entire range of stream and river scales will enable the improvement of the mathematical representation of these processes and therefore the articulation level of coupled watershed‐receiving waterbody models. Keeping the complexity of integrated water quality models in mind, the development of novel uncertainty analysis techniques for rigorous assessing parameter identification and model credibility is essential. In this regard, we recommend the use of Bayesian calibration frameworks that explicitly accommodate measurement errors, parameter uncertainties, and model structure errors. The Bayesian inference can be used to quantify the information the data contain about model inputs, to offer insights into the covariance structure among parameter estimates, to obtain predictions along with credible intervals for model outputs, and to effectively address the ‘change of support’ problems. Copyright © 2010 John Wiley & Sons, Ltd.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,004 | 0,008 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».