MétaCan
Menu
Retour à la cohorte
Enregistrement W4382789927 · doi:10.26848/rbgf.v16.3.p1621-1628

Técnica de calibração para modelagem da bacia hidrográfica do Rio São Francisco, Brasil, utilizando o SWAT

2023· article· pt· W4382789927 sur OpenAlexaff
Carolyne Wanessa Lins de Andrade Farias, Jussara Freire, Rodrigo de Queiroga Miranda, Samara Fernanda da Silva, Gabriel Jaime Maya Vasco, Suzana Maria Gico Lima Montenegro, Josiclêda Domiciano Galvíncio

Notice bibliographique

RevueRevista Brasileira de Geografia Física · 2023
Typearticle
Languept
DomaineEnvironmental Science
ThématiqueHydrology and Watershed Management Studies
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésEnvironmental scienceHumanitiesGeomorphologyGeographyGeologyPhilosophy

Résumé

récupéré en direct d'OpenAlex

O Soil and Water Assessment Tool (SWAT) é um modelo hidrossedimentológico que tem como foco principal avaliar os impactos das modificações no uso do solo sobre a qualidade e quantidade de água em bacias hidrográficas. Para que essas avaliações sejam adequadas, considerando a representatividade dos processos simulados pelo modelo, faz-se necessário a realização do procedimento de calibração. Muitos modeladores encontram grande desafio nesta etapa imprescindível da modelagem. Há uma grande variedade de parâmetros a serem considerados, diferentes algoritmos, bem como diferentes funções objetivas. Outro aspecto a ser destacado é o fato de que o tempo de processamento pode ser alto, quando se considera bacias hidrográficas representativas, como é o caso da bacia hidrográfica do Rio São Francisco, Brasil (639.219km²). Para atender a demanda de criação de um modelo de gestão integrada de águas para países BIS (Brasil, Índia e África do Sul) sob cenários de mudanças climáticas, a bacia do São Francisco foi calibrada. Esta nota científica objetiva fornecer uma visão do procedimento de calibração e confiabilidade do modelo, utilizando dados de vazão em tempo mensal no período de 1961 a 2016 para a bacia do São Francisco. O modelo SWAT calibrado para a bacia do Rio São Francisco pode ser utilizado para análises de cenários de mudanças climáticas e seus impactos sobre a disponibilidade hídrica da bacia, subsidiando assim, a tomada de decisão sobre os recursos hídricos, e a criação do modelo de gestão integrada com os demais países do BIS.Palavras-chave: modelagem hidrológica, SWAT-CUP, BIS Calibration technique for modeling the São Francisco watershed, Brazil, using SWAT A B S T R A C TThe Soil and Water Assessment Tool (SWAT) is a hydrosedimentological model whose main focus is to evaluate the impacts of changes in land use on the quality and quantity of water in watersheds. For these evaluations to be adequate, considering the representativeness of the processes simulated by the model, it is necessary to carry out the calibration procedure. Many modelers find a great challenge in this essential stage of modelling. There are a wide variety of parameters to consider, different algorithms, as well as different objective functions. Another aspect to be highlighted is the fact that the processing time can be high, when considering representative watersheds, as is the case of the São Francisco River basin, Brazil (639,219 km²). To meet the demand for the creation of an integrated water management model for BIS countries (Brazil, India and South Africa) under climate change scenarios, the São Francisco basin was calibrated. This scientific note aims to provide an overview of the calibration procedure using flow data in a monthly time step from 1961 to 2016 in the studied basin. The SWAT model calibrated for the São Francisco River basin can be used to analyze climate change scenarios and their impacts on the water availability of the basin, thus supporting decision-making on water resources and the creation of a management model. integrated with the other BIS countries.Keywords: hydrological modeling, SWAT-CUP, BIS.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,061
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0000,002
Études des sciences et des technologies0,0020,002
Communication savante0,0010,001
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,012

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 Opus0,033
Tête enseignante GPT0,281
Écart entre enseignants0,248 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations6
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRevista Brasileira de Geografia FísicaMême sujetHydrology and Watershed Management StudiesTravaux en français237 207