Méthodologie pour l’adaptation de données physiographiques canadiennes au modèle de qualité de l’eau SWAT « soil water assessment tool »
Bibliographic record
Abstract
La modélisation hydrologique est un outil d’aide à la décision de premier plan à considérer dans un contexte de gestion intégrée de l’eau par bassin versant au Canada. Un protocole de mise en place unique et largement transférable de ces modèles est à privilégier pour faciliter la gestion de l’eau des bassins versants prioritaires. L’objectif des présents travaux est de proposer une approche visant à adapter les formats des données physiographiques actuellement disponibles aux formats exigés par le modèle de qualité de l’eau SWAT « soil water assessment tool ». Les critères de sélection d’un modèle numérique de terrain, d’un réseau hydrographique numérisé, de cartes d’occupations du territoire et des sols sont présentés. Des correspondances entre des classes d’occupations du territoire d’usage courant au Canada et celles requises dans la base de données de SWAT sont proposées. La méthodologie pour établir une typologie des sols est explicitée. La subjectivité inhérente dans la subdivision du bassin versant en sous-bassins, puis dans la distribution des unités de réponse hydrologique et la sensibilité des sorties du modèle au niveau de détail des produits cartographiques utilisés est discutée.
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 | 0.010 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 0.003 |
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".