Assessing climate change impacts on hydrology and agriculture in a boreal watershed: a combined hydrological modeling, machine learning, and efficiency analysis
Notice bibliographique
Résumé
Climate change poses significant challenges to water resources and agriculture sustainability, particularly in boreal watersheds. Understanding hydrological dynamics and their response to climate variability is essential for effective water management and sustainable farming practices. This dissertation uses various models and a transdisciplinary approach to investigate the hydrological dynamics, climate change impacts, and agricultural sustainability in the Upper Humber River Watershed (UHRW) of western Newfoundland, Canada. Using the soil and water assessment tool (SWAT) model, the study evaluates watershed hydrology and identifies key parameters influencing streamflow, achieving favorable performance metrics during calibration and evaluation. Seasonal and monthly flow patterns, water balance components, and flow duration analyses validate the model's suitability for sustainable water management. Similarly, a Long Short-Term Memory (LSTM) machine learning model was developed for UHRW. The comparative analysis of the SWAT and LSTM models for streamflow prediction highlights the superior accuracy in capturing streamflow prediction. The LSTM model’s integration of real-time data demonstrates its potential for effective water management in cold climates. Furthermore, this dissertation explores climate change impacts on soil water availability (SWA) in UHRW using Coupled Model Intercomparison Project Phase 5 (CMIP5) projections and Representative Concentration Pathways (RCP) scenarios. Results reveal up to an 11% decline in SWA under RCP 8.5, driven by increased evapotranspiration and streamflow, despite rising precipitation. Lastly, agricultural sustainability is assessed through Data Envelopment Analysis (DEA), identifying high technical efficiency yet notable disparities in allocative, cost, scale, and environmental efficiencies. Sustainable practices, such as permaculture, no-dig farming, and resource optimization, enhance productivity while minimizing environmental impacts. This dissertation offers insights for water management, climate adaptation, and sustainable farming in boreal ecosystems.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».