Utilisation de la modélisation de la qualité de l’eau en rivière pour l’évaluation du respect des normes en contexte de données restreintes : cas d’application du bassin versant de la rivière Cau
Bibliographic record
Abstract
La dégradation de la qualité de l’eau des bassins versants est principalement due au développement socio-économique, dont découlent la croissance démographique, l’urbanisation, l’industrialisation et l’intensification de l’agriculture. La gestion intégrée des ressources en eau par bassin versant (GIEBV) peut être appliquée pour limiter cet impact négatif. Le modèle GIBSI (Gestion Intégrée par Bassin versant à l’aide d’un Système Informatisé) est un outil qui peut être utilisé pour cette GIEBV. GIBSI inclut notamment un sous-modèle pour la production et le transport de l'azote et du phosphore (PO) ainsi qu’un sous-modèle pour la qualité de l’eau en rivière (Qual-GIBSI). Cette étude est axée principalement sur l’applicabilité de ces deux sous-modèles dans une zone tropicale avec un climat de type mousson dans un contexte de données restreintes. Cet exercice a comme objectif, entre autres, de valider si ces sous-modèles sont applicables dans ces conditions. L’application permet également de vérifier dans quelle mesure les normes de qualité de l’eau en rivière sont respectées. Le bassin versant de la rivière Cau au Vietnam est utilisé comme cas d’application. Nous avons démontré à travers cette étude que, même sur ce bassin versant tropical soumis à la mousson où les données disponibles sont limitées en quantité et en qualité, les modèles PO et Qual-GIBSI peuvent apporter des informations utiles pour la gestion de la qualité de l’eau.
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 | 0.007 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 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".