Calcul de probabilités de dépassement d'objectifs environnementaux de rejets de sources ponctuelle et diffuse à l'aide du système de modélisation intégrée GIBSI
Bibliographic record
Abstract
Dans un contexte de gestion intégrée de l'eau par bassin versant, on doit, avant d'implanter tout programme d'assainissement, comparer les solutions de rechange, distinguer les contributions des différentes sources de pollution aux problèmes de qualité de l'eau, et définir des objectifs environnementaux de rejet (OER) associés aux activités et aux pressions anthropiques. Dans le cas des sources de pollution d'origine ponctuelle, on détermine un OER et son risque de dépassement en fonction d'un débit d'étiage critique d'une période de retour donnée. Dans le cas de la pollution diffuse d'origine agricole, il n'existe pas de concepts similaires pour définir des OER. L'approche que nous proposons, c'est de simuler, à l'aide de chroniques météorologiques et de divers scénarios de gestion de ces rejets, les concentrations résultantes dans les cours d'eau et de calculer les probabilités de dépassement des critères de qualité de l'eau (CQE). Cette approche permet de caractériser la prise de décision pour la période de contrôle en matière du nombre moyen de jours de dépassement d'un CQE. Ceci représente une quantification plus exacte du risque car ce dernier est interprété en fonction de ce qui est mesuré en rivière, c'est-à-dire les concentrations de polluants. Dans cette étude, on illustre l'application de ce concept à partir d'un cas de figure dans le bassin versant de la rivière Chaudière (Québec, Canada) qui est simulé avec le système de modélisation intégrée GIBSI. Dans le cadre d'une analyse de scénarios de restauration des activités récréatives conduisant à des contacts directs et fréquents avec l'eau, on illustre comment on peut, en réduisant respectivement les pressions agricole et urbaine de 32 et 17%, abaisser globalement les probabilités de dépassement des critères esthétique et bactériologique de 0,32 à 0,19 et de 0,94 à 0, respectivement.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".