Hydrological modelling of an agricultural watershed in India using the soil and water assessment tool
Bibliographic record
Abstract
La productivité des cultures dans le bassin versant Padmalaya en Inde est en-deçà de son plein potentiel, dû à une pauvre disponibilité des ressources en eau. Des structures de collection de l'eau pluviale ont été mises en place, ayant comme objectif d'augmenter la disponibilité de l'eau pour la production agricole. Le modèle hydrologique SWAT a été calibré manuellement pour l'aspect hydrologique, en utilisant des données de débit d'eau dans le basin versant de janvier à juillet 2010. Les simulations ont été faites pour la période 1977-2007, dans différentes conditions de gestion des terres, à l'aide de données météorologiques de la ville de Jalgaon. 16 scénarios ont été construits pour évaluer les impacts sur les processus hydrologiques et les rendements agricoles des changements climatiques, des systèmes de collection de l'eau pluviale, des changements d'affectation des terres, ainsi que des améliorations de pratiques de gestion de l'eau, sur une période de 30 ans. Les résultats des simulations démontrent que les structures de collection de l'eau pluviales contribuent de façon significative à la recharge des aquifères. De plus, l'augmentation des précipitations attribuable aux changements climatiques est susceptible d'engendrer une augmentation des rendements agricoles et de la productivité de l'eau pour les cultures. Malgré le fait que les résultats de ces simulations sont limités à ce bassin versant, les leçons apprises ici en termes d'applicabilité des stratégies de collection de l'eau pluviale dans le cadre des changements climatiques pourront être appliquées à de semblables agro-écorégions de l'Inde.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 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".