Hydrogrammes de ruissellement superficiel et transport des sédiments en milieu agricole
Bibliographic record
Abstract
Nous présentons ici une méthode simple qui permet de mesurer simultanément l'eau et les sédiments en transit à la surface du sol en milieu agricole. Des hydrogrammes de ruissellement superficiel sont comparés pour évaluer la variabilité saisonnière et spatiale du ruissellement et de l'érosion lors de trois précipitations naturelles (1,16, 1,76, 1,78 mm h-1). Les mesures ponctuelles sur le terrain sont utilisées pour caler une équation de transport des sédiments compatible avec les modèles hydrologiques distribués. Le débit solide (Qs) est exprimé par: Qs = k Qm lp où Q est le débit liquide et l l'intensité des précipitations. Les hydrogrammes montrent que les débits varient dans l'espace selon la distance entre deux points d'échantillonnage et, dans le temps selon l'état de la surface. Pendant la saison, la concentration moyenne des sédiments dans l'eau et le taux de transport demeurent constants. Le transport par le ruissellement sur la parcelle est faible et semble limité par la capacité du processus à maintenir les sédiments en mouvement. Ce comportement affecte le paramètre m associé au débit liquide dans l'équation de transport, qui est en dessous des valeurs théoriques proposées dans la littérature. Le transport de sédiments est également fonction de l, qui par le biais de l'impact des gouttes de pluie sur la surface détache et facilite le transport des particules.
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| 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".