Observation et modélisation de l'évaporation d'une rivière en milieu boréal
Bibliographic record
Abstract
L’objectif de ce projet de recherche est de développer un modèle d’évaporation de l’eau d’une rivière en milieu boréal. Un site expérimental sur la rivière Natashquan dans la région de la Côte-Nord au Québec a été sélectionné pour y installer une station hydrométéorologique faisant un suivi des variables environnementales locales. Cette rivière est marquante dans le paysage de la Minganie par la superficie de 15 930 km2 de son bassin versant et son débit moyen annuel de 349 m3/s. Ce puissant cours d’eau est une des dernières rivières naturelles de la Côte-Nord n’étant pas harnachée par un barrage. Une campagne constituée de 5 sorties de mesures intensives sur le terrain a été effectuée afin d’observer l’évaporation de l’eau de la rivière par la méthode des mini-lysimètres flottants. Ces derniers s’inspirent du processus derrière le bac évaporatoire de classe A pour obtenir une estimation de l’évaporation in-situ en ayant un petit bac évaporatoire portatif à la surface de l’eau de la rivière. Un modèle d’évaporation par transfert de masse a été développé avec les données récoltées et 8 fonctions de vent de la littérature ont été testées. Puis, un modèle d’évaporation par ensemble de réseaux de neurones a été retenu, car il offrait une meilleure performance que les approches classiques. Ce réseau de neurones ayant comme variables d’entrée la tension de vapeur à saturation, le rayonnement incident d’ondes longues, la vitesse du vent et la tension de vapeur de l’air, permet d’explorer une non linéarité entre les variables qui n’est pas accessible à l’approche de transfert de masse. Ce modèle met en évidence le manque de recherche sur les processus gouvernant l’évaporation fluviale dans le cadre de rivière de grande envergure et particulièrement l’évaporation des rivières du milieu boréal.
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) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 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".