Developing <scp>SWAT‐S</scp> to strengthen the soil erosion forecasting performance of the <scp>SWAT</scp> model
Notice bibliographique
Résumé
Abstract Soil erosion is an important cause of global land degradation, and accurate monitoring of it is essential. The Soil and Water Assessment Tool (SWAT), a distributed hydrological model, is an advanced technique for predicting soil erosion at watershed scale. However, as the erosion framework was established in gently sloping land, SWAT is limited in predicting soil erosion in some highland and mountainous regions. Therefore, this study suggested a method to integrate the sediment transport theoretical formula that can reflect the morphology of gully regions into SWAT to obtain SWAT‐S to enhance the calculation performance of sediment load, and the SWAT‐S was evaluated according to the coefficient of determination (R2), Nash‐Sutcliffe coefficient (NSE), Percent‐Bias (P‐BIAS) and root mean square errors (RMSE)‐observations SD ratio (RSR) in the Yanhe basin on the Chinese Loess Plateau. The results showed that SWAT‐S is more successful in reproducing the monthly sediment load, with R2, NSE, |P‐BIAS| and RSR were changed by 5.08%, 17.65%, −2.92% and −10.00% in the calibration, as well as by 1.18%, 10.39%, 45.45% and −18.75% in the validation of the SWAT‐S compared to SWAT. Meanwhile, SWAT‐S estimates 2.66 × 106 t more sediment than SWAT during the June–September flood season and better matches observed data. In total, the revised SWAT can improve the performance of sediment estimation, which is beneficial for the wider application of the model in more regions of the world.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».