MétaCan
Menu
Retour à la cohorte
Enregistrement W25945879 · doi:10.1080/15384101.2015.1044179

Estimation des concentrations de sédiments en suspension dans le fleuve Saint-Jean (Nouveau-Brunswick) et établissement de liens avec les données météorologiques locales.

2010· article· en· W25945879 sur OpenAlexaboutno aff
Hélène Higgins

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueOil Spill Detection and Mitigation
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésForestryHumanitiesArtGeography

Résumé

récupéré en direct d'OpenAlex

Le port de Saint John, au Nouveau Brunswick, est situé dans l’estuaire du fleuve \nSaint Jean et reçoit des apports de sédiments qui s’accumulent et entravent le passage \ndes navires. De coûteuses opérations de dragage sont nécessaires chaque année pour \nmaintenir les profondeurs à un niveau acceptable pour les opérations du port, mais les \nautorités portuaires sont incapables de prédire l’ampleur des travaux qui varie \nénormément d’une année à l’autre. Il est donc primordial d’étudier plus en profondeur la \nproportion de sédiments qui est acheminée au port de Saint John par la rivière, et de \ndéterminer s’il est possible d’en estimer le volume à chaque année à l’aide de variables \nsimples et facilement accessibles. Les variables étudiées comprennent un éventail de \ndonnées hydrométéorologiques incluant le débit (Q), le niveau d’eau (H) et la \nprécipitation (P). Puisque peu de données de sédiments ont été prises historiquement \nsur la branche principale du fleuve, une première étape de ce projet consistait à étudier \nune série chronologique de données journalières de concentration de sédiments en \nsuspension (CSS) allant de 1967 à 1987 sur un tributaire important situé dans la portion \nen aval du fleuve, la rivière Kennebecasis. Les principales variables explicatives pour la \nvariation des CSS au pas de temps journalier, identifiées à l’aide de corrélations, sont le \ndébit du jour suivant, la pluie du jour précédent et la précipitation cumulée de 6 jours, \nbien que les coefficients de corrélation sont relativement faibles. Une analyse \nfréquentielle des maximums annuels de CSS et des variables hydrométéorologiques n’a \npas permis d’identifier les quantiles extrêmes coïncidant qui auraient pu indiquer quelles \nsont les variables explicatives potentielles qui génèrent les valeurs extrêmes de CSS, \nqui sont typiquement une composante importante des charges annuelles. Afin de \ndéterminer si de meilleures relations existent dans un contexte non linéaire, un réseau \nde neurone artificiel (RNA) a été développé permettant d’estimer les charges \njournalières de façon satisfaisante (r²= 0,88), Un écart absolu moyen de 16% a été \nensuite obtenu entre les charges annuelles calculées et celles estimées par le modèle. \nLe RNA avait pour intrants la température moyenne, Q, Q(t-1), Q(t-2) et le jour julien \n(JJ). Toutefois, il semble que certains impacts anthropiques et le synchronisme de \ncertains évènements (ex. pluie et activités agricoles) devraient être étudiés afin \nd’améliorer l’estimation. \nEn parallèle à l’analyse de la rivière Kennebecasis, un suivi de la turbidité a été réalisé à \ndeux sites dans un tronçon du fleuve situé en aval du barrage Mactaquac. Le suivi de la \nturbidité a été fait à haute fréquence comme mesure indirecte de la CSS. Le site le plus \nen aval a subi d’importantes pertes de données et a dû être abandonné, mais une \ncourbe de calibration turbidité-CSS a été développée pour le site en amont, situé près \nde la ville de Fredericton. Une étude de corrélations a permis d’identifier H, P(-1) et la \nprécipitation cumulée de 12 jours comme variables explicatives potentielles, mais \nencore une fois, les coefficients de corrélation sont relativement faibles. Deux modèles \nont été développés et comparés : une régression linéaire multiple pas à pas et une \ninterpolation par krigeage dans un espace multivarié. La seconde méthode permet de \nmieux estimer le log CSS que la première, mais avec une performance moyenne, \ncomme en témoigne le pourcentage de la variance des observations expliquée par le \nmodèle (r²=0,35). Ces résultats semblent confirmer que le système fluvial étudié est \ncomplexe, présente plusieurs non-linéarités, et que d’autres variables que celles \nétudiées, potentiellement anthropiques, devront peut-être être prises en compte. De \nplus, une analyse événementielle pourrait être requise pour mieux comprendre la \ndynamique sédimentaire du fleuve. \nL’utilisation de la turbidité en continu pour le suivi du transport de sédiments sur le fleuve \nSaint Jean est jugée appropriée, bien que comportant plusieurs difficultés. Des \naméliorations au protocole utilisé dans la présente étude soient nécessaires, incluant le \nsuivi d’une plus longue période, en particulier durant l’hiver et le printemps. \nFinalement, une analyse préliminaire où une régression multiple a été utilisée pour \nestimer les volumes de sédiments dragués dans le port de Saint John, à partir des \nvariables hydrologiques locales (niveau d’eau annuel moyen et volume d’eau total \nannuel) suggère que cette analyse devrait être approfondie en allongeant la série de \ndonnées disponibles pour les volumes de sédiments dragués.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,762
Score d'incertitude au seuil0,472

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,009
Tête enseignante GPT0,243
Écart entre enseignants0,234 · 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 source (Gemma direct ou Codex distillé), 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

Citations0
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetOil Spill Detection and MitigationTravaux en français237 207