Development of a group built coupled physical - socio-economic modelling framework for soil salinity management in agricultural watersheds in developing countries
Bibliographic record
Abstract
De nombreux programmes de planification et de gestion des ressources en eau font cependant face à d'importants défis lorsqu'ils essayent de développer des méthodes de gestion de l'environnement dans les pays en développement. Ces défis sont exacerbés par le manque de méthodes demandant peu d'investissements de temps, de finances, ou de compétences en modélisation. La présente étude vise à relever ces défis en développant un cadre de modélisation par étapes s'appuyant sur un modèle physique complémenté par un modèle socio-économique fourni par les parties prenantes, ceci pour la région Rechna Doab du Pakistan.Des modèles des dynamiques des systèmes participatifs (MDSP) ont été développés sous des conditions de compétences, ressources financières et temps limités sous la forme de diagrammes de boucles causales (DBC). Un modèle qualitatif de l'ensemble du système du bassin versant a été créé en combinant les diagrammes causals de chaque acteur. Cette approche améliore aussi les limites du modèle et son exhaustivité en veillant à ce que toutes les questions pertinentes et points de vue soient pris en compte.Les processus physiques et socio-économiques clés ont été identifiés dans les DBC construits par les parties prenantes. Les composantes socio-économiques ont été modélisées par des sous-modules distribués dans un Modèle des Dynamiques des Systèmes Construit en Groupe (MDSCG). Des boucles de rétroaction entre les sous-modules distribués décrivent les interactions entre ceux-ci et permettent de simuler le comportement de l'ensemble du système à l'échelle du bassin versant. Les tests standards furent utilisés pour valider la structure du modèle et son comportement dynamique, bâtissant ainsi la confiance vis-à-vis des résultats. Les composantes physiques des DBC qualitatifs ont été modélisées avec SAHYSMOD (Modèle de salinité spatial agro-hydrologique). Le modèle a été calibré (1983-1988) et validé (1998-2003) sur des périodes de cinq ans en comparant le niveau des eaux souterraines observé avec le niveau simulé. Le modèle simule le niveau des eaux souterraines à un haut niveau de précision, avec un R2 de 0,906 et de 0,925 pour les périodes d'étalonnage et de validation, respectivement. Les analyses d'incertitude et de sensibilité du modèle obtenues par GLUE (Estimation d'incertitude par vraisemblance généralisée) indique que 70% des données observées se situe entre les limites d'incertitude de 95% et 5%. Le modèle socio-économique a été couplé à SHAYSMOD en utilisant la modélisation par composants. MS Excel a été utilisé comme plateforme pour échanger les informations entre les composantes socio-économiques et physiques du système. Les deux modèles échangent leurs sorties à un intervalle saisonnier sur une période allant de 1980 à 2010. Six scénarios ont été testés, comprenant le scénario de référence, l'application d'une politique déjà appliquée dans le passé (Projet de contrôle et de réclamation de la salinité, SCARP), ainsi que de diverses options de gestion alternatives d'amélioration et de réallocation de l'approvisionnement en eau. Les impacts des diverses politiques sur des indicateurs de performances tels que la salinité des sols, la disponibilité de l'eau, le revenu agricole et les prélèvements des eaux souterraines ont été analysés pour évaluer les compromis que ces politiques offrent entre les enjeux économiques et environnementaux.Les résultats montrent clairement que le gainage des canaux et la réallocation de l'irrigation ont le potentiel d'améliorer les zones de haute salinité. Il est à noter que le gainage des canaux requiert une aide gouvernementale par le biais des subventions. Les résultats montrent clairement que le gainage des canaux et la réallocation de l'irrigation ont le potentiel d'améliorer les zones de haute salinité. Il est à noter que le gainage des canaux requiert une aide gouvernementale par le biais des subventions.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".