MétaCan
Menu
← Retour à la cohorte
Enregistrement W7161801069 · doi:10.82308/3707

Evaluation of Best Management Practices to Reduce Phosphorus and Sediment Loading in Gully Creek Watershed using SWAT

2022· dissertation· en· W7161801069 sur OpenAlexaboutno aff
Phurailatpam Sharma

Notice bibliographique

Revuenon disponible
Typedissertation
Langueen
DomaineEnvironmental Science
ThématiqueHydrology and Watershed Management Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésWatershedHydrology (agriculture)SedimentSWAT modelDrainage basinNonpoint source pollutionPollution

Résumé

récupéré en direct d'OpenAlex

Les Grands Lacs contiennent plus de 20 % des ressources en eau douce en surface. En raison de pratiques agricoles intenses, les écosystèmes des Grands Lacs se sont détériorés. Comme la pollution de l'eau causée par l'activité agricole est une pollution diffuse, elle est beaucoup plus difficile à évaluer que la pollution à sources ponctuelles, dont on peut aisément identifier les sources. Avec l'aide de la modélisation mathématique, on peut faire une évaluation raisonnable de cette pollution et proposer différentes options [pratiques exemplaires de gestion (PEG)] pour atténuer le problème. Le Soil & Water Assessment Tool (SWAT) a été choisi pour modéliser l'hydrologie du bassin versant du Gully Creek en Ontario. SWAT est un modèle de simulation continue à l'échelle du bassin versant. Les données disponibles servirent à calibrer et valider le modèle. La statistique d’efficacité de Nash-Sutcliffe (NSE), le pourcentage de biais (PBIAS) et du coefficient de détermination (R2) servirent à évaluer la performance du modèle pour la simulation du débit, et des apports en sédiments et phosphore. Faute de données exhaustives, la calibration fut effectuée pour le débit, et les apports en sédiments et phosphore entre le début de 2011 et 2013. La calibration du modèle pour le débit s'est avérée satisfaisante, avec un NSE de 0,5, un PBIAS de 24,8 % et un R2 de 0,53. Cependant, la calibration de l’apport en sédiments n'a pas donné de résultats satisfaisants pour l'NSE, le PBIAS et le R2, avec des valeurs de -0,75, 33,8 % et 0,14, respectivement. De même, l’exactitude des valeurs simulées de la charge en phosphore totale s’avéra in satisfaisante. Un scénario " sans PEG " fut créé pour évaluer l'efficacité des PEG actuels et potentiels. La charge totale de phosphore fut réduite le plus sous les scénarios "Retirer en forêt" et "Retirer en pâturage," soit de 90 % et 73 % par rapport au système d’exploitation présent. Les PEG de travail de conservation du sol pourraient aussi réduire la charge de phosphore. Les PEG sans labour ont réduit le phosphore de 23 % par an, et, en particulier de 16 % pendant la saison de croissance. Comparativement, un travail minimum du sol l'a réduit de 8 % par an, mais seulement 1 % hors saison. Les bandes de végétation filtrantes (BVF) aux limites des champs ont réduit les pertes de phosphore de 61 %. Une culture de couverture a permis de réduire les pertes annuelles de phosphore de 13 %, avec une réduction considérable (29 %) au printemps. Cette étude démontre comment les PEG et la modélisation hydrologique à l'aide de SWAT peut aider les planificateurs à contrôler la pollution du sol et de l'eau à l'échelle du bassin versant. L'étude actuelle démontre diverses méthodes de conservation et offre des conseils pratiques sur la façon de choisir les meilleures PEG pour les bassins versants agricoles

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,433
Score d'incertitude au seuil0,861

Scores du classifieur distillé par catégorie (deux têtes)

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

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.

Tête enseignante Opus0,045
Tête enseignante GPT0,335
Écart entre enseignants0,290 · 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetHydrology and Watershed Management Studies→Travaux en français237 207→