A novel way of identifying agricultural water drainage systems and their impact on catchment hydrology
Notice bibliographique
Résumé
Water drained from agricultural lands is getting more attention as its valuable water is lost from groundwater storage. The historical location of buried agricultural water drainage systems is not known very well. Hence, first, finding the location of those infrastructures is critical. Several methods have been applied in the past, including decision tree classification (DTC), remote sensing based, using radar, etc. However, all the methods neglect the primary cause of the drain application, which is groundwater. Hence, a novel approach is introduced that considers groundwater in the identification procedure. We used two case studies for drain identification, one from Ontario, Canada, and another from Belgium. Furthermore, a physically based and fully distributed modeling approach (SWAT+gwflow) is conducted to investigate the impact of these drainage systems in the catchment hydrology of the Kleine Nete watershed, Belgium.The result of the drainage system identification has indicated the pitfalls of the already existing methods where accuracy as low as 17% was recorded. On the other hand, the additional filtering based on groundwater head enables us to find an additional 19.4 km2 area. Therefore, the use of groundwater level as an additional filtering technique is vital for increasing the accuracy of tile drain/ditch network identification. Next, drains have been shown to affect hydrology, where a 15% decrease in groundwater evapotranspiration, a 50% reduction in groundwater saturation excess flow, and a 39% decline in groundwater discharge to streams are observed.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».