Évaluation de l’impact de la pollution diffuse sur la qualité de l’eau en rivière avec données restreintes : cas d’application du bassin versant de la rivière Cau
Bibliographic record
Abstract
L’objectif principal de ce travail est d’évaluer l’influence de différentes sources de pollution sur la qualité de l’eau du bassin versant de la rivière Cau au Vietnam. L’outil utilisé pour cette évaluation est GIBSI (Gestion Intégrée par Bassin versant à l’aide d’un Système Informatisé). Pour cette évaluation, les sous-modèles PO, pour simuler le transport de l’azote et du phosphore, et Qual GIBSI, pour simuler la qualité de l’eau en rivière, seront utilisés. Pour pouvoir appliquer ces modèles, une méthode originale de calage régionalisé, tenant compte des caractéristiques de différentes zones du territoire, est développée. Cette approche permet de tenir compte des caractéristiques des différentes zones du bassin versant pour reproduire au mieux les données observées. Ensuite, à partir de scénarios, l’effet des différentes sources de pollution est comparé. En particulier, l’impact sur la qualité de l’eau du bassin versant de la rivière Cau de la pollution diffuse d’origine agricole et d’origine domestique rurale est évalué. Les résultats démontrent que la pollution diffuse a un impact plus important sur la dégradation de la qualité de l’eau de ce bassin versant que les autres sources de pollution.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
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".