A Hybrid Perturbation and Morris Approach for Identifying Sensitive Parameters in Surface Water Quality Models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Surface water quality models (SWQM) are always developed as universal frameworks so that they can be flexibly employed to simulate a large variety of water bodies. These models are often over-parameterized (more parameters than needed are included in these models). As a result, it is necessary to identify sensitive parameters when these models are applied to the simulations of specific water bodies. Sensitivity analysis has been widely used as an effective tool to undertake the task. In this study, a hybrid approach was developed through integrating the parameter perturbation method and the Morris method into a general SWQM-parameter sensitivity analysis framework. The approach was applied to Lake Maumelle in Arkansas with its hydrodynamics and water quality being simulated by the model CE-QUAL-W2. The sensitivities of the 96 model parameters were firstly evaluated by the parameter perturbation method in the simulation of the variables including temperature, ammonium, nitrate-nitrite, dissolved oxygen, total phosphorus and chlorophyll a, and 51 of them were found sensitive. The sensitivities of the 51 parameters were further investigated using the Morris method. It was found that each output variable was strongly sensitive to a distinctive set of parameters. It is also observed that the highly sensitive parameters display nonlinear relationships with the model outputs or strong correlations with other parameters. The obtained results from this study could provide a scientific base and solid start for the calibration, validation and application of the model.
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.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 découle