MétaCan
Menu
Retour à la cohorte
Enregistrement W3198848115 · doi:10.3390/hydrology8030134

Modeling Impact of Climate Change on Surface Water Availability Using SWAT Model in a Semi-Arid Basin: Case of El Kalb River, Lebanon

2021· article· en· W3198848115 sur OpenAlexaff
Jad Saade, Maya Atieh, Sophia Ghanimeh, Golmar Golmohammadi

Notice bibliographique

RevueHydrology · 2021
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHydrology and Watershed Management Studies
Établissements canadiensUniversity of Guelph
Organismes subventionnairesAmerican University of Beirut
Mots-clésStreamflowEnvironmental scienceClimate changeSoil and Water Assessment ToolRepresentative Concentration PathwaysSWAT modelHydrology (agriculture)AridSurface runoffDrainage basinWater resourcesClimate modelClimatologyDownscalingGeographyGeology

Résumé

récupéré en direct d'OpenAlex

Assessing the impact of climate change on streamflow is crucial for depicting the vulnerability of water resources and for identifying proper adaptation measures. This study used the Soil and Water Assessment Tool (SWAT) to simulate the impact of climate change on the streamflow of El Kalb river, a major perennial river in Lebanon. The model performance was tested for monthly flow at two stations under a nine-year calibration period (2003–2011) and a four-year validation period (2012–2015). The model results indicated satisfactory precision in fitting observed and simulated flow using various acceptable statistical indices. Future projections of climate change were obtained for three Representative Concentration Pathways (RCPs) (2.6, 4.5, and 8.5). The model indicated that the average annual discharge of El Kalb River in the near future (2021–2040) will decrease by around 28–29% under the three RCP scenarios. End-of-century projections (2081–2100) indicated that the flow will decrease by 23%, 28%, and 45% under RCP 2.6, RCP 4.5, and RCP 8.5, respectively.

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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,163
Score d'incertitude au seuil0,323

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
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 Opus0,038
Tête enseignante GPT0,283
Écart entre enseignants0,245 · 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'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

Citations44
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHydrologyMême sujetHydrology and Watershed Management StudiesTravaux en français237 207