MétaCan
Menu
Retour à la cohorte
Enregistrement W4293771043 · doi:10.3390/su141710804

A Modified SWAT Model to Simulate Soil Water Content and Soil Temperature in Cold Regions: A Case Study of the South Saskatchewan River Basin in Canada

2022· article· en· W4293771043 sur OpenAlexaffabout
Mohammad Zare, Shahid Azam, David Sauchyn

Notice bibliographique

RevueSustainability · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHydrology and Watershed Management Studies
Établissements canadiensUniversity of Regina
Organismes subventionnairesnon disponible
Mots-clésSWAT modelSoil and Water Assessment ToolEnvironmental scienceSnowmeltStreamflowHydrology (agriculture)Water contentSoil waterSnowDrainage basinSoil scienceGeographyGeologyMeteorology

Résumé

récupéré en direct d'OpenAlex

Soil water content (SWC) and soil temperature are important hydrologic state variables. Accurate model simulation is critical in hydrologic regimes in cold regions dominated by spring snowmelt. In this study, we developed a combined physically-based soil temperature and energy-balance rain-on-snow (ROS) module for the Soil and Water Assessment Tool (SWAT) model and applied it to the South Saskatchewan River Basin (SSRB). We calibrated the SWAT base (SWAT-B) model and the SWAT modified (SWAT–M) model using daily measured soil temperature and SWC by hydrological response unit (HRU) for the years 2015 to 2020. The results of sensitivity analysis using the SUFI-2 technique in SWAT-CUP indicated that eight parameters have the most significant (p < 0.5) effect on streamflow, soil moisture, and snowmelt. Statistics for the SWAT-B and SWAT-M streamflow models revealed that the new module improved the Nash-Sutcliffe efficiency (NSE) from 0.39 to 0.71 and 0.42 to 0.76 for calibration and validation, respectively. The statistics for SWAT-simulated daily SWC showed that the measured data were a better fit with SWAT-M versus the SWAT-B output. Furthermore, SWAT-B values exceeded SWAT-M output and field measurements, and thus, the range of SWAT-M results was a better fit with observations. SWAT-B tended to underestimate soil temperature in the cold season, while SWAT-M significantly improved soil temperature simulation for winter. This new SWAT module simulated freeze-thaw cycles and captured the influence of snow cover on surface soil ice-water content. Spatial analysis of SWC and soil temperature across the SSRB showed that the SWAT-M model predicted more SWC and lower soil temperature in the western part of SSRB than SWAT-B, with higher soil temperature and lower SWC in the eastern 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 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 enseignants0,033
Score d'incertitude au seuil0,084

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
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
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 Opus0,014
Tête enseignante GPT0,209
Écart entre enseignants0,195 · 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

Citations23
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSustainabilityMême sujetHydrology and Watershed Management StudiesTravaux en français237 207