A regionalized river water quality model calibration method based on watershed physical characteristics: application to the Cau River in Vietnam
Notice bibliographique
Résumé
A methodology is proposed for the calibration of river water quality models on large watersheds, in the absence of intensive measurements for water quality and quantity. This methodology is based on: 1) the use of the results from a hydrological model to provide the required hydrological variables to the water quality model; 2) five assumptions for the definition of initial and boundary conditions; 3) a three-step regionalized calibration method, in which the specific characteristics of the different subwatersheds are taken into account and 4) the adjustment of some parameters in order to reproduce processes that are not explicitly represented in the model. The regionalized calibration method relies on a comprehensive study of the land use and characteristics on each subwatershed and the definition of different sets of parameters values in distinct regions. Application to the Cau River, in Vietnam, with QUAL-GIBSI, an adaptation of the QUAL2E model, showed that: i ) calibration and validation results were significantly improved by applying regionalized calibration as compared to an initial calibration for which a single set of parameters values was used for the whole simulated river stretch and ii ) use of a hydrological model to provide discharge at various points in the watershed allowed to overcome the lack of detailed measurements of discharge at locations other than the watershed outlet.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».