MétaCan
Menu
Retour à la cohorte
Enregistrement W2808308448 · doi:10.3390/w10060774

Development of an Integrated Modelling System for Evaluating Water Quantity and Quality Effects of Individual Wetlands in an Agricultural Watershed

2018· article· en· W2808308448 sur OpenAlexafffundabout
Yongbo Liu, Wanhong Yang, Hui Shao, Zhiqiang Yu, John B. Lindsay

Notice bibliographique

RevueWater · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHydrology and Watershed Management Studies
Établissements canadiensToronto and Region Conservation AuthorityUniversity of Guelph
Organismes subventionnairesAgriculture and Agri-Food CanadaInnotech AlbertaAlberta InnovatesAlberta Innovates Bio SolutionsAlberta Agriculture and ForestryAlberta Biodiversity Monitoring Institute
Mots-clésWatershedWetlandGeospatial analysisEnvironmental scienceHydrology (agriculture)Water qualityAgricultureWater resource managementGeographic information systemEnvironmental resource managementHydrological modellingRemote sensingComputer scienceGeographyEcologyEngineeringGeology

Résumé

récupéré en direct d'OpenAlex

A GIS-based fully-distributed model, IMWEBs-Wetland (Integrated Modelling for Watershed Evaluation of BMPs—Wetland), is developed to simulate hydrologic processes of site-specific wetlands in an agricultural watershed. This model, powered by the open-source GIS Whitebox Geospatial Analysis Tools (GAT) and advanced database technologies, allows users to simulate and assess water quantity and quality effects of individual wetlands at site and watershed scales. A case study of the modelling system is conducted in a subbasin of the Broughton’s Creek Watershed in southern Manitoba of Canada. Modelling results show that the model is capable of simulating wetland processes in a complex watershed with various land management practices. The IMWEBs-Wetland model is unique in simulating the water quantity and quality effects of individual wetlands, which can be used to examine location-specific targeting of wetland retention and restoration at a watershed scale.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,124
Score d'incertitude au seuil0,277

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 savante0,0000,000
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 Opus0,048
Tête enseignante GPT0,289
Écart entre enseignants0,241 · 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'étudeExpérimental (laboratoire)
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

Citations18
Publié2018
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueWaterMême sujetHydrology and Watershed Management StudiesTravaux en français237 207