Climate change impacts on the flow regime and water quality indicators using an artificial neural network (ANN): a case study in Saskatchewan, Canada
Notice bibliographique
Résumé
Abstract In this study, the artificial neural network (ANN) method was applied to investigate the impacts of climate change on the water quantity and quality of the Qu'Appelle River in Saskatchewan, Canada. First, the second-generation Canadian earth system model (CanESM2) was adopted to predict future climate conditions. The Statistical DownScaling Model (SDSM) was then applied to downscale the generated data. To analyze the water quality of the river, concentrations of dissolved oxygen (DO) and total dissolved solids (TDSs) from the river were collected. Using the collected climate and hydrometric data, the ANNs were trained to simulate (i) the ratio of snowfall-to-total precipitation based on the temperature, (ii) the river flow rate based on the temperature and precipitation; and (iii) DO and TDS concentrations based on the river flow and temperature. Finally, the generated climate change data were used as inputs to the ANN model to investigate the climate change impacts on the river flow as well as DO and TDS concentrations within the selected region. Hydrologic alteration of the river was evaluated via the Range of Variability Approach (RVA) under historical and climate change scenarios. The results under climate change scenarios were compared with those under historical scenarios and indicated that climate change would lead to a heterogeneous change in precipitation and temperature patterns. These changes would have serious degrading impacts on the river discharge as well as DO and TDS concentration levels, causing deterioration in the sustainability of the river system and ecological health of the 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 | 0,002 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».