Neural networks modelling of nitrogen export: model development and application to unmonitored boreal forest watersheds
Notice bibliographique
Résumé
In remotely located boreal forest watersheds, monitoring nitrogen (N) export in stream discharge often is not feasible because of high costs and site inaccessibility. Therefore, modelling tools that can predict N export in unmonitored watersheds are urgently needed to support management decisions for these watersheds. The hydrological and biogeochemical processes that regulate N export in streams draining watersheds are complex and not fully understood, which makes artificial neural network (ANN) modelling suitable for such an application. This study developed ANN models to predict N export from watersheds relying only on easily accessible climate data and remote sensing (RS) data from the public domain. The models were able to predict the daily N export (g/km2/d) in five watersheds ranging in size from 5-130 km2 with reasonable accuracy. Similarity indices were developed between any two studied watersheds to quantify watershed similarity and guide the transferability of models from monitored watersheds to unmonitored ones. To demonstrate the applicability of the ANN models to unmonitored watersheds, the calibrated ANN models were used to predict N export in different watersheds (unmonitored watersheds in this perspective) without further calibration. The similarity index based upon a rainfall index, a peatland index and a RS normalized difference water index showed the best correlation with the transferability of the models. This study represents an important first step towards transferring ANN models developed for one watershed to unmonitored watersheds using similarity indices that rely on freely available climate and RS data.
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 | 0,000 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».