Développement d'une procédure de mise en place d'un modèle hydrologique global sur des bassins jaugés et non jaugés: application du modèle MOHYSE au Québec.
Bibliographic record
Abstract
Ce mémoire a permis de développer une procédure afin de rapidement mettre en \nplace un modèle hydrométéorologique global et conceptuel, MOHYSE. Cette méthode \npermet non seulement de répondre à des besoins de simulations sur des bassins jaugés, \nmais aussi sur des bassins non jaugés. Dans le cadre de ce projet, le modèle a été déployé \nsur 46 bassins versants du sud du Québec avec un critère de Nash-Sutcliffe médian de \n0,62 en validation. Ces résultats ont été obtenus suite au développement d'une méthode \nnovatrice de correction en continu des équivalents en eau de la neige au sol basées sur \ndes mesures bimensuelles. \nEn plus des techniques traditionnelles de calage, une technique visant à produire \nun jeu de coefficients global, applicable sur tout le territoire étudié, a aussi été utilisée. \nCette technique a permis l'obtention d'un critère de Nash-Sutcliffe médian de 0,49 en \nvalidation. Bien que cette technique ait répondu aux attentes et permette la simulation \ndes débits sur des sites non jaugés, une interpolation a par la suite été effectuée. Ainsi, \nla qualité des simulations obtenues avec le jeu global a pu être améliorée à l'aide du \nkrigeage simple d'un des paramètres du modèle. Il devenait donc possible de spatialiser \nle jeu global en fonction de l'emplacement géographique du bassin à l'étude. Cette \ntechnique, bien que simple, a permis l'obtention d'un critère de Nash-Sutcliffe médian \nde 0,57 en validation. \n
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
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".