Analyse de l’opportunité d’application des méthodes d’estimation des débits des rivières par courbe de tarage et capteur doppler immergé fixe
Bibliographic record
Abstract
Il existe, en pratique, plusieurs techniques d’estimation des débits d’écoulement en milieux urbain et rural avec chacune ses avantages et limitations. Il revient aux gestionnaires des ressources hydriques d’évaluer l’opportunité d’application de ces technologies, selon leur précision dans différents contextes en rapport avec leurs coûts d’acquisition et d’entretien. Le but de cet article est d’analyser les écarts entre les débits estimés à l’aide de la courbe de tarage traditionnelle et ceux mesurés directement par le Doppler de type Argonaut SW (« shallow water »). La méthodologie proposée consiste tout d’abord à filtrer et à valider les mesures de hauteurs fournies par le limnimètre standard ainsi que les mesures de vitesse et de hauteur fournies par le Doppler SW. Cette base de données, ainsi validée, est scindée en deux parties. Dans un premier temps, une partie des données est utilisée pour calibrer une courbe de tarage qui relie les séries de niveaux validés obtenus par le limnimètre standard, aux débits obtenus à partir du Doppler SW. Dans un deuxième temps, l’autre partie de données est utilisée pour évaluer la capacité de la courbe de tarage déjà obtenue, et à estimer les débits mesurés par le Doppler SW en utilisant les niveaux fournis par le limnimètre standard. On trouve que la courbe de tarage calibrée pour le site à l’étude reproduit les données fournies par le Doppler SW avec une erreur variable selon les hydrogrammes analysés. L’erreur relative sur l’estimation de l’hydrogramme complet de crue varie entre 2,51 et 9,87 % selon les années, tandis que les erreurs relatives moyennes pour les débits de pointe et les volumes des crues sont respectivement de 1,44 et 2,11 %. L’analyse des mesures montre que le limnimètre standard s’avère plus fiable que le Doppler SW, car les pourcentages moyens de valeurs manquantes pour les deux instruments de mesure sont respectivement de 4,64 et de 20,75 %. Le Doppler SW possède cependant l’avantage de fournir, de façon précise, une grande quantité de mesures de débit couvrant une large gamme de variation pour calibrer une courbe de tarage fiable. Il existe donc manifestement une synergie entre les deux approches d’estimation de débit.
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 | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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".