Notice bibliographique
Résumé
Urban runoff models require the detennination of excess rainfall for pervious areas in catchments.This is generally achieved by means of infiltration equations such as, for example, the Horton and Green-Ampt equations in the SWMM andMIDUSS models.Some models (MIDUSS, OTTHYMO) also use the SCS runoff curve number method.Computation of the excess rainfall by any of these methods requires the estimation of two or three parameters which are generally functions ofthe land use and soil properties, including the moisture content of the pervious areas.Values of the parameters can be obtained by infiltrometer measurements, but field measurements are time-consuming and may not be practical.Typical parameter values arc available in the literature but, in many cases, modelers use optimization techniques to estimate the "best" parameter values during the calibration of the model.Ideally, the paran1eter optimization should be guided by parameter values derived for the specific catchment from observed rainfall-runoff data, but independently of the calibration process.In this chapter an asymptotic method of estimating the curve number CN and initial abstraction Ia for a watershed, from observed rainfall and runoff events, is presented.The proposed method is asymptotic in the sense that the estimated values approach the "true" values as the number of observations increases.The method provides estimates of spatially averaged CN and I" for each event for the catchment area upstream of the streamflow gauging station.Muzik, I. 2003."Curve Numbers in Stormwater Runofi Simulation."
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».