MétaCan
Menu
Retour à la cohorte
Enregistrement W3014436420 · doi:10.3808/jei.202000429

Variation of Runoff and Sediment Transport in the Huai River – A Case Study

2020· article· en· W3014436420 sur OpenAlexaff
Bofu Yu, Pute Wu, J. Sui, Jiupai Ni, T. Whitcombe

Notice bibliographique

RevueJournal of Environmental Informatics · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHydrology and Watershed Management Studies
Établissements canadiensUniversity of Northern British ColumbiaUniversity of Regina
Organismes subventionnairesnon disponible
Mots-clésSurface runoffHydrology (agriculture)SedimentWatershedEnvironmental scienceEstuarySedimentary budgetFloodplainSediment transportDeposition (geology)Channel (broadcasting)GeologyGeographyGeomorphologyEcologyOceanography

Résumé

récupéré en direct d'OpenAlex

Changes in runoff and sediment transport in the Middle Reach of the Huai River have been studied by using 58 years of field data. The runoff yield from the Huai River watershed mainly occurs in the sub-watershed of the river. At the downstream Wujiadu station, the difference in total drainage area between the south and the north branches of the river is 43% while the difference in runoff yield is only 9%. Sediment yield mainly comes from the headwaters in the northern region with the upstream of the Huai River playing a secondary role. The data demonstrate that there has been little change in long-term average annual runoff in the Middle Reach of the Huai River (MRHR) but there has been a dramatic decrease in average annual sediment transport. This decrease in sediment transport in the Huai River has resulted in changes in the geomorphology of the Middle Reach of the Huai River with time. Further analysis indicates that both the main channel and the floodplain of the estuary of Hongzehu Lake have a tendency towards the deposition of sediment. A trend and regression analysis is used in the compilation of field data, calculations, and analysis.

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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,063
Score d'incertitude au seuil0,126

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
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 Opus0,011
Tête enseignante GPT0,207
Écart entre enseignants0,196 · 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

Citations41
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Environmental InformaticsMême sujetHydrology and Watershed Management StudiesTravaux en français237 207