Applying a Bayesian Framework to Track Binational (Canada-USA) Loads and Sources
Notice bibliographique
Résumé
The Red-Assiniboine River Basin (RARB) spans the Canada-USA border and discharges into Lake Winnipeg via the Red River. Recurrent harmful algal blooms caused by nutrient runoff coined Lake Winnipeg as “Canada’s sickest lake” and “most threatened in the World”. Invasive species such zebra mussels and spiny-water fleas have disrupted the aquatic ecosystem.SPAtially Referenced Regression On Watershed Attributes (SPARROW) is a watershed model that follows a stream network and relates water quality conditions to nutrient sources, landscape delivery factors, nutrient transport, and losses in streams and reservoirs/lakes. We ported components of the first binational SPARROW model (deterministic calibrations) for RARB to a Bayesian framework to account for the main sources of uncertainty: errors resulting from loading estimates, parametric uncertainty (incorporated with prior distributions based on literature values), and model structural error. Open-source languages were used: Python, R, and WinBUGS. The limits of the computational capacity of WinBUGS were tested, with a total of over 70,000 catchments across the RARB.We identified hot spots in Canada and USA at a sub-watershed scale, where wastewater treatment plants and agricultural inputs were the main contributors of Total Phosphorus (TP) to Lake Winnipeg. Within those hot spots, we looked at hot spots at the catchment scale, where wastewater treatment plants were contributing to nearly 100% of the TP loading.We will present various scenarios testing hypotheses on different TP sources, such as the inclusion of urban areas, the subdivision of selected source variables, and the variation of wastewater treatment plant loadings.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».