Remedial strategy of algal proliferation in a regulated river system by integrated hydrological control: an evolutionary modelling framework
Notice bibliographique
Résumé
We simulated water-quality measures in a regulated river system (the lower Nakdong River) under simultaneous discharge control at upriver dams and an estuarine barrage with the goal of reducing phytoplankton biomass (chlorophyll a concentration). We used genetic programming (GP) to create a rule-set-based predictive model for the chlorophyll a concentration based on 16 years (1994–2009) of meteorological, hydrological, and limnological data. The rule-set model used eight variables, including water temperature, dam and estuarine barrage discharge, phosphate and silica concentrations, and accurately predicted the phytoplankton biomass (determination coefficients, r2, for training and test data were 0.52 and 0.45, respectively). According to sensitivity and scenario analyses, a larger water volume resulting from increased discharge from upriver dams and decreased discharge from an estuarine barrage would reduce chlorophyll a concentrations at the study site. This result provided ample evidence that simultaneous manipulation of dam and estuarine discharge rates could effectively increase river flow and flush aggregated algal populations downstream. Additionally, we considered that even small increases in river flow could play a role in diluting phytoplankton biomass during the dry winter season when estuarine discharge remains low. These two hydrological mechanisms could be used as selective strategies for water-resource management.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».