MétaCan
Menu
Retour à la cohorte
Enregistrement W1992314607 · doi:10.5389/ksae.2013.55.3.013

Assessment of Anti-Drought Capacity for Agricultural Reservoirs using RCP Scenarios

2013· article· en· W1992314607 sur OpenAlexaboutno aff
Na-Young Park, Jin‐Yong Choi, Seung‐Hwan Yoo, Sang Hyun Lee

Notice bibliographique

RevueJournal of The Korean Society of Agricultural Engineers · 2013
Typearticle
Langueen
DomaineEngineering
ThématiqueWater resources management and optimization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEnvironmental scienceClimate changeAgricultureIrrigationWater resource managementWater resourcesWater supplyHydrology (agriculture)Environmental engineeringGeographyAgronomyEngineeringEcology

Résumé

récupéré en direct d'OpenAlex

Agriculture is affected directly by climate conditions and changes, and it is necessary to understand the impact of climate change on agricultural reservoirs which are the main water resources for paddy fields in Korea. This study aimed to evaluate the impact of climate change on the anti-drought capacity including water supply capability (WSC) and drought response ability (DRA) of agricultural reservoirs based on RCP (Representative Concentration Pathway) 4.5 and 8.5 scenarios of CanESM2 (The Second Generation Earth System Model) provided by CCCma (Canadian Center for Climate Modeling and Analysis). The WSC and DRA were estimated using frequency analysis and runs theory. The six reservoirs (Yooshin, Nogok, Kumsung, Songgok, Gapyung, Seoma) were selected considering geographical characteristics and design criteria of reservoir capacity. In case of Seoma reservoir, more than 10 year drought return period (DRP), the variation of the WSC was estimated larger than the others. In case of Yooshin reservior (2~5 DRP) DRC was decreased in 2025s under RCP8.5. These results could be utilized for agricultural reservoirs management and future design criteria considering climate change impacts on paddy irrigation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,032

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,205
Écart entre enseignants0,191 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of The Korean Society of Agricultural EngineersMême sujetWater resources management and optimizationTravaux en français237 207