MétaCan
Menu
← Retour à la cohorte
Enregistrement W4205841293 · doi:10.1139/cjce-2020-0840

Influence of headwater reservoirs on climate change impacts and flood frequency in the Kabul River Basin

2022· article· en· W4205841293 sur OpenAlexafffundvenue
Yar M. Taraky, Yongbo Liu, Bahram Gharabaghi, Edward A. McBean, Prasad Daggupati, Narayan Kumar Shrestha

Notice bibliographique

RevueCanadian Journal of Civil Engineering · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHydrology and Watershed Management Studies
Établissements canadiensUniversity of Guelph
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaInternational Centre for Integrated Mountain Development
Mots-clésFlooding (psychology)Climate changeEnvironmental scienceFlood mythRiparian zoneHydrology (agriculture)Drainage basinRepresentative Concentration PathwaysSoil and Water Assessment ToolGlacierReturn periodDry seasonStructural basinWater resource managementPhysical geographyGeographyClimate modelGeologyStreamflow

Résumé

récupéré en direct d'OpenAlex

Although climate change impacts vary globally, for the Kabul River Basin (KRB), concerns are primarily associated with frequent flooding. This research describes the influence of headwater reservoirs on projections of climate change impacts and flood frequency, and how riparian countries can benefit from storing of floodwaters for use during dry seasons. Six climate change scenarios and two Representative Concentration Pathways (RCPs) are used in three periods of a quarter-century each. The Soil and Water Assessment Tool (SWAT) is used to assess how the proposed reservoirs will reduce flooding by ∼38% during the wet season, reduce the flood frequency from five to 25 years return period, and increase low flows by ∼110% during the dry season, which reflect an ∼17.5% reduction in the glacier-covered area by the end of the century. The risks and benefits of reservoirs are highlighted in light of the developmental goals of Afghanistan and Pakistan.

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)0,001
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 enseignants0,059
Score d'incertitude au seuil0,118

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,009
Tête enseignante GPT0,185
Écart entre enseignants0,176 · 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

Citations4
Publié2022
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Civil Engineering→Même sujetHydrology and Watershed Management Studies→Travaux en français237 207→