MétaCan
Menu
Retour à la cohorte
Enregistrement W2172717144 · doi:10.3390/f6114349

Effects of Land Use on Flow Rate Change Indices

2015· article· en· W2172717144 sur OpenAlexafffund
Ali A. Assani, Francis Delisle, Raphaëlle Landry, Mushombe Muma

Notice bibliographique

RevueForests · 2015
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHydrology and Watershed Management Studies
Établissements canadiensUniversité du Québec à Trois-Rivières
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaUniversité du Québec à Trois-Rivières
Mots-clésWatershedEnvironmental scienceHydrology (agriculture)Surface runoffTime of concentrationClimate changeSpatial variabilityPhysical geographyEcologyGeographyMathematicsStatisticsGeologyBiology

Résumé

récupéré en direct d'OpenAlex

The goal of this study was to analyze the impact of agriculture on the spatial and temporal variability of flow rate change indices from 1930 to 2008. The two indices used are the coefficient of immoderation (CI) and the coefficient of variation (CV). Values of these two indices are higher for the L’Assomption River agricultural watershed than for the Matawin River forested watershed due to higher runoff in the former than in the latter. The difference in these values between the two watersheds is greater for winter, but it is lower for summer, when the difference in runoff between the two watersheds is strongly attenuated by the presence of crops. Regarding the temporal variability, a difference between the two watersheds is observed in the fall. For the agricultural watershed, mean values of neither index show a break in slope, while a break is observed for the forested watershed. In both watersheds, both indices are positively correlated with maximum temperature and total rainfall in winter, but only to this latter climate variable in the fall. In springtime, the two indices are negatively correlated with minimum temperature in the forested watershed, but only CV is correlated, positively, with this same climate variable in the agricultural watershed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,529

Scores Codex et Gemma par catégorie

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

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 Opus0,028
Tête enseignante GPT0,233
Écart entre enseignants0,206 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations3
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueForestsMême sujetHydrology and Watershed Management StudiesTravaux en français237 207