Modeling of Runoff in the Arid Regions Using Remote Sensing and Geographic Information System (GIS)
Notice bibliographique
Résumé
One of the most important challenges in the field of engineering hydrology and water resources management, especially in arid regions such as the Iraqi Western Desert, is the process of predicting and quantifying the surface runoff. The limited available data about rainfall, runoff, soil properties, evaporation, and the lack of metrological stations make the process of predicting and calculating surface runoff a very difficult task. Modern technology can help with the purpose of compensating for the shortage of data and providing the information necessary to estimate the runoff and develop the system of water resources management in the region. The present study develops a model to determine the infiltration of soil from spectral reflectance using Artificial Neural Networks (ANN) integrated with a geographic information system (GIS) and remote sensing (RS). Field infiltration measurements for 105 soil samples in the Al-Ratga catchment area in the Iraqi western desert are achieved. The performance of the developed model was assessed both qualitatively and quantitatively (effective runoff depth) by comparing the results of actual and estimated basic infiltration rate values for each sample. The results refer to a good agreement between estimated and measured infiltration (R2=0.768). The developed model predicts the runoff depending on the water balance equation and the results refer to good agreement with the SCS-CN model that is one of the most widely used in this region.
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 | 0,000 | 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 | 0,000 | 0,000 |
| 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 ».