MétaCan
Menu
Retour à la cohorte
Enregistrement W3046155549 · doi:10.1080/02626667.2020.1798007

Mapping runoff generating areas using AGNPS-VSA model

2020· article· en· W3046155549 sur OpenAlexafffundabout
Kishor Panjabi, Ramesh Rudra, Pradeep Goel, Prasad Daggupati, Narayan Kumar Shrestha, Rituraj Shukla, Bin-Bin Zhang, Nabil Allataifeh

Notice bibliographique

RevueHydrological Sciences Journal · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHydrology and Watershed Management Studies
Établissements canadiensMinistry of the Environment, Conservation and ParksUniversity of Guelph
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésSurface runoffEnvironmental scienceHydrology (agriculture)Nonpoint source pollutionInfiltration (HVAC)PollutantGeographyEcologyGeologyMeteorologyBiologyGeotechnical engineering

Résumé

récupéré en direct d'OpenAlex

In humid regions, surface runoff is often generated by saturation-excess runoff mechanisms from relatively small variable source areas (VSAs). However, the majority of the current hydrologic models are based on infiltration-excess mechanisms. In this study, the AGricultural Non-Point Source Pollution (AGNPS) model was used to integrate the VSA concept using topographic wetness index (TWI). Both the original and AGNPS-VSA models were evaluated for a small agricultural field in Ontario, Canada. The results indicate that the AGNPS-VSA model performed better than original model. The AGNPS-VSA model predicted that only the saturated portion of the field with higher TWI values produced runoff, whereas the original AGNPS model showed uniform hydrologic response from the entire field. The results of this study are important for accurately mapping the locations of VSAs. This new model could be a powerful tool in identifying critical source areas for applying targeted best management practices to minimize pollutant loads to receiving waters.

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 candidatesÉtudes des sciences et des technologies, Charge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,066
Score d'incertitude au seuil1,000

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 technologies0,0020,001
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
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 Opus0,082
Tête enseignante GPT0,266
Écart entre enseignants0,184 · 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.

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

Citations9
Publié2020
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueHydrological Sciences JournalMême sujetHydrology and Watershed Management StudiesTravaux en français237 207