Overcoming Obstacles in Applying SWMM to Large-Scale Watersheds
Notice bibliographique
Résumé
(SWMM) was used to simulate the watershed hydrology and water quality contaminant loadings for the Schuylkill River Basin. The Schuylkill River is over 130 mi. (21 0 km) long, includes over 180 higher-order tributaries draining more than2,000 square mi. (5,100 squarekm). For the model ofthis basin, simulated runoff loadings were accumulated at major jtmctures, or inlet points, for up to 14 land use categories in each of the 356 sub-watersheds, resulting in over 3,000 RUNOFF module sub-basins. This allows results to be summarized by land use, by model basin, by accumulated groupings of sub-watersheds, and for the entire watershed study area. Continuous SWMM was applied using a 15-min simulation time step, with full implementation of the snowmelt and groundwater subroutines, for execution periods of 30 y, to generate estimates of seasonal and annual watershed discharge and loadings. We believe this to be one of the largest applications ofSWMlVI RUNOFF in terms of the combination of the size of the drainage area, the number of sub-basins, and the number of simulation time steps. The use ofSWMM at this scale uncovered nmnerous limitations of the model requiring either modifications to the SWMM code or the implementation of functional work-arounds. For example, anay bounds set for the input and simulation data required modifica-tions to the SWMM code expanding the limits. Also, during the calibration of the model, SWMM did not allow retrieval of daily flows at select inlet points,
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».