MétaCan
Menu
Retour à la cohorte
Enregistrement W2559755350 · doi:10.14796/jwmm.c411

Wetland Modeling in PCSWMM: Exploring Options to Define Wetland Features and Incorporate Groundwater Exchanges

2016· article· en· W2559755350 sur OpenAlexaffvenueabout
Caroline Charbonneau, Andrea Bradford

Notice bibliographique

RevueJournal of Water Management Modeling · 2016
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSoil and Water Nutrient Dynamics
Établissements canadiensUniversity of GuelphEmmanuel Bible College
Organismes subventionnairesnon disponible
Mots-clésWetlandGroundwaterEnvironmental scienceWater resource managementHydrology (agriculture)Environmental resource managementGeologyEcology

Résumé

récupéré en direct d'OpenAlex

Wetlands in Southern Ontario are experiencing degradation from urban development. Hydrologic analysis is important to demonstrating that a development will not have negative impacts on wetlands. A wetland water balance study has been conducted to develop reference hydrologic regimes for two wetlands in Pickering, Ontario. Knowledge gained from wetland water balance analysis informed the development of PCSWMM models. The objective of this study was to explore options for incorporating and defining wetlands in PCSWMM, select groundwater interaction parameters, and optimize the process for creating a calibrated catchment-wetland model using known seasonal wetland water levels. Continuous monitoring data was used for calibration and validation of the models. Methods, calibration targets, and challenges encountered when defining groundwater interactions and stage-storage relationships will be highlighted. The study will identify areas where increased data collection could improve the model parameterization. The discussion will address the value of a model which can both adequately represent the development and the wetland by incorporating infiltration-runoff effects, evapotranspiration changes, LID practices, groundwater regimes, and dynamic feedbacks between the wetland water level and the system.

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)0,001
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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,129
Score d'incertitude au seuil0,428

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 savante0,0000,001
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 Opus0,045
Tête enseignante GPT0,221
Écart entre enseignants0,176 · 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'étudeSimulation ou modélisation
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

Citations1
Publié2016
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJournal of Water Management ModelingMême sujetSoil and Water Nutrient DynamicsTravaux en français237 207