Développement d’une nouvelle méthode de régionalisation basée sur le concept de « régime des débits naturels » : la méthode éco-géographique
Bibliographic record
Abstract
Nous proposons une nouvelle méthode de régionalisation des débits fondée sur le concept de « régime des débits naturels » introduit en écologie aquatique : l’approche éco-géographique. Elle se distingue de deux approches de régionalisation existantes (approches hydrologique et écologique) sur les trois points suivants : le choix des variables hydrologiques, l’échelle d’analyse et la finalité de la régionalisation. En ce qui concerne le choix des variables hydrologiques, la nouvelle méthode est fondée sur le choix des caractéristiques des débits et non sur les variables hydrologiques. Ces caractéristiques des débits sont définies au moyen de l’analyse en composantes principales appliquée sur les variables hydrologiques. Contrairement aux autres approches, l’approche éco-géographique tient compte de toutes les caractéristiques des débits dans la régionalisation conformément au concept de « régime des débits naturels ». Quant à l’échelle d’analyse, à l’instar de l’approche écologique, la nouvelle méthode s’applique aussi à toutes les échelles d’analyse (annuelle, mensuelle et journalière) mais en les considérant séparément afin de tenir compte de toutes les caractéristiques de débits dans la régionalisation. Enfin, la finalité de la nouvelle méthode est de pouvoir déterminer les facteurs de variabilité spatiale des caractéristiques de débits (et non des variables hydrologiques) au moyen de l’analyse canonique des corrélations, notamment afin d’assurer une gestion durable des ressources hydriques dans un contexte de changement de l’environnement. Nous avons appliqué cette nouvelle méthode aux débits moyens annuels au Québec.
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 | 0.004 | 0.012 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.010 | 0.005 |
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".