Simplification rationnelle des outils hydrologiques de gestion : recommandations méthodologiques pour la construction de modèles semi-empiriques à origine mécaniste
Bibliographic record
Abstract
Les modèles de simulation hydrologiques sont reconnus comme des outils mathématiques très performants mais généralement d'application difficile, principalement à cause du nombre élevé des paramètres requis. À l'inverse, les outils actuels de gestion sont généralement développés à l'aide d'approches empiriques limitant leur application. De plus, leurs paramètres ne sont pas des grandeurs mesurables et doivent être ajustés pour chaque situation. Une approche est proposée pour le développement d'outils semi empiriques de gestion. Elle consiste à simuler un grand nombre de scénarios en utilisant un modèle complexe de simulation puis à rationaliser l'information obtenue pour développer un nouveau modèle semi empirique. L'exemple illustrant cette approche concerne l'évaluation des flux d'eau ruisselée à la surface des champs, lessivée vers la nappe souterraine et drainée par les drains agricoles spécifiquement pour le contexte du Québec. À partir des résultats de simulation de 4500 scénarios, une simplification.rationalisation a permis de réduire à 120 le nombre de scénarios de référence à l'aide desquels peuvent être évalués tous les scénarios possibles par de simples interpolations linéaires. Une application de l'algorithme résultant sur un site du Québec a montré la bonne concordance entre les résultats calculés et mesurés. À la fois l'ordre de grandeur du ruissellement et du drainage et leur grandeur relative sont bien évalués.
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 | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.003 | 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".