Simulation par le modèle AgriFlux du devenir de l'atrazine et du dééthylatrazine dans un sol du Québec sous mais sucré
Bibliographic record
Abstract
Les outils mathématiques sont de plus en plus utilisés pour simuler la contamination d'origine agricole des eaux souterraines. Le modèle AgriFlux permet, à l'aide du module PestiFlux, de simuler les processus responsables du devenir des pesticides dans le sol: ruissellement, volatilisation, adsorption/désorption rapide, adsorption/désorption lente, complexation par la matière organique dissoute, biodégradation en sous-produits, hydrolyse, drainage et lessivage. AgriFlux est utilisé pour simuler le devenir de l'atrazine et du dééthylatrazine sur une parcelle expérimentale de la région de Québec (Québec, Canada) cultivée en maïs sucré (Zea mays, L.) traité à l'atrazine. Des prélèvements d'eau interstitielle ont été réalisés (1986-1990) à l'aide de lysimètres avec succion (0,5 et 1,0 m de profondeur) et analysés pour leur contenu en atrazine et dééthylatrazine. De manière générale, AgriFlux reproduit bien l'évolution des concentrations mesurées, dans le temps et dans le profil de sol (r=0,76). Certains pics de concentrations observés sur le terrain ne sont toutefois pas représentés ou sont décalés dans le temps, ce qui pourrait être attribué à une sous-estimation de la variabilité spatiale des paramètres. Le rapport dééthylatrazine/atrazine est relativement bien simulé en 1988 à 0,5 m, mais est moins représentatif pour les autres données, ce qui pourrait être dû à une certaine imprécision dans la simulation de la biodégradation. Une analyse de sensibilité du modèle aux variations de différents paramètres a montré que le paramètre le plus influent dans les conditions testées est la constante de biodégradation. Les résultats obtenus montrent la pertinence d'AgriFlux (PestiFlux) dans la simulation du devenir des pesticides dans le sol et donc des risques de contamination des eaux souterraines en région agricole.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.002 |
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; both teacher heads agree on what is shown here.
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".