Simulation du débit de la rivière Saint-Charles, première source d’eau potable de la ville de Québec
Bibliographic record
Abstract
Sur le bassin versant de la rivière Saint-Charles, il est nécessaire de mieux gérer l’eau, d’un point de vue quantitatif et qualitatif. Or la prise de décisions peut être aidée par la modélisation hydrologique. Ce travail porte sur la mise en place du modèle semi-distribué de qualité de l’eau SWAT (« soil and water assessment tool ») sur ce bassin versant urbain et relativement montagneux, et sur l’évaluation de sa capacité à simuler les débits. Cette première approche est comparée à deux autres, reposant pour l’une sur l’utilisation du modèle hydrologique global GR4J, et pour l’autre sur l’emploi d’un réseau de neurones. La quantité d’eau issue de la fonte de la neige, calculée ici par le module de fonte de SWAT, a été renseignée à ces deux autres modèles. Ce bassin présente par ailleurs de réelles difficultés pour ce type de modélisation, liées essentiellement au manque de données : quasi-absence d’information spatiale sur les précipitations et absence d’étude pédologique détaillée. Les résultats, globalement satisfaisants, montrent toutefois que la performance hydrologique résultant des trois approches est limitée par ces manques : celle utilisant SWAT davantage que les deux autres. Dans ce cas, les lacunes ne permettent pas d’utiliser le plein potentiel du modèle SWAT, dont la structure plus lourde devient un inconvénient dès que les données sont disponibles en quantité et en qualité insuffisantes pour en justifier l’exploitation, en opposition à GR4J et au réseau de neurones. Il semble donc incontournable, considérant l’importance stratégique du bassin versant de la rivière Saint-Charles pour l’approvisionnement en eau potable et le support aux activités récréatives et touristiques, que l’effort d’observation de ce territoire soit accru, afin d’y augmenter notamment les données climatologiques et pédologiques disponibles.
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 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".