Evaluation of the Current State of Distributed Watershed Nutrient Water Quality Modeling
Notice bibliographique
Résumé
Watershed models have been widely used for creating the scientific basis for management decisions regarding nonpoint source pollution. In this study, we evaluated the current state of watershed scale, spatially distributed, process-based, water quality modeling of nutrient pollution. Beginning from 1992, the year when Beven and Binley published their seminal paper on uncertainty analysis in hydrological modeling, and ending in 2010, we selected 257 scientific publications which (i) employed spatially distributed modeling approaches at a watershed scale; (ii) provided predictions of flow, nutrient/sediment concentrations or loads; and (iii) reported fit to measured data. Most "best practices" (optimization, validation, sensitivity, and uncertainty analysis) are not consistently employed during model development. There are no statistically significant differences in model performance among land uses. Studies which used more than one point in space to evaluate their distributed models had significantly lower median values of the Nash-Sutcliffe Efficiency (0.70 vs 0.56, p<0.005, nonparametric Mann-Whitney test), and r2 (p<0.005). This finding suggests that model calibration only to the basin outlet may mask compensation of positive and negative errors of source and transportation processes. We conclude by advocating a number of new directions for distributed watershed modeling, including in-depth uncertainty analysis and the use of additional information, not necessarily related to model end points, to constrain parameter estimation.
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 | 0,039 | 0,059 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,004 | 0,002 |
| 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 ».