Modélisation du régime hydrologique à l’échelle du bassin versant dans le cas de données restreintes : cas de la rivière Cau au Vietnam
Bibliographic record
Abstract
Les aménagements opérés sur le territoire d’un bassin versant, notamment les processus rapides d’urbanisation et d’industrialisation, ont souvent un impact important sur les ressources en eau, tant en quantité qu’en qualité. La gestion intégrée des ressources en eau par bassin versant (GIEBV) est une méthode reconnue pour évaluer et contrôler l’impact de ces aménagements sur le régime hydrologique. Cette approche de GIEBV est d’autant plus bénéfique dans un contexte de données restreintes et/ou de mauvaise qualité. Dans un tel contexte, un modèle hydrologique peut permettre d’estimer les débits en rivière en tout point du bassin versant. Cet article étudie la capacité du modèle hydrologique distribué Hydrotel à reconstruire le régime hydrologique dans un contexte de données restreintes. Une application sur le bassin versant de la rivière Cau, au Vietnam, est présentée. Une méthodologie originale est également proposée pour identifier la discrétisation spatiale la plus appropriée pour la simulation hydrologique à l’échelle d’un bassin versant en fonction de l’objectif recherché. Les résultats obtenus démontrent que, même sur un bassin versant où les données disponibles sont limitées en quantité et en qualité, Hydrotel peut apporter des informations utiles pour la mise en place de la GIEBV. Cette application réussie d’Hydrotel dans une région tropicale soumise à la mousson et où les données hydrologiques sont restreintes permettra de promouvoir la démarche de GIEBV basée sur la modélisation des processus en Asie du Sud-Est, en général, et au Vietnam, plus particulièrement.
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) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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".