Utilisation d’un SIG pour l’évaluation et la cartographie des risques d’érosion hydrique par l’Equation Universelle des Pertes en sol Révisée (RUSLE) dans le Département de Saraya (Sénégal)
Bibliographic record
Abstract
Le département de Saraya (Sénégal) est confronté depuis ces deux dernières décennies à l’érosion. Malgré les stratégies antiérosives (digues, cordons pierreux, haies vives, diguettes, tranchées, régénération du couvert végétal, paillage) mises en place par les autochtones et les autorités locales, l’érosion prend une tournure de plus en plus inquiétante dans cette localité. Cet aléa naturel constitue un problème environnemental majeur et menace les activités économiques. Cette étude a consisté à évaluer le risque d'érosion par la modélisation des facteurs R, K, LS, C et P. L’intégration du modèle dans un Système d’information géographique (SIG) a facilité l’élaboration des cartes thématiques (topographique, érosivité des pluies, érodibilité du sol et occupation du sol) pour évaluer les risques d’érosion et cartographier les milieux vulnérables et ceux moins sensibles à cet aléa. Le couplage des SIG avec l’équation universelle des pertes de sols révisée a permis d’estimer les impacts du ruissellement en nappe. Les pertes en sols sont comprises entre 0,01 t/ha/an et 134,64 t/ha/an, soit une moyenne de 33,46 t/ha/an et un écart-type de 57,29. L’approche SIG/RUSLE apporte une aide aux décideurs et aux aménageurs au cours de l’élaboration des scénarios d’évolution de la dégradation du sol et la planification des stratégies antiérosives dans les zones où l’érosion est prédominante.
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 | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.000 | 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) | 0.004 | 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".