MétaCan
Menu
Back to cohort
Record W7070643655

Previsão por conjuntos de longo prazo de umidade do solo na bacia do rio Ijuí

2015· dissertation· pt· W7070643655 on OpenAlexfundno aff

Bibliographic record

VenueLume (Universidade Federal do Rio Grande do Sul) · 2015
Typedissertation
Languagept
FieldEnvironmental Science
TopicEnvironmental and biological studies
Canadian institutionsnot available
FundersCanadian Space Agency
KeywordsMoistureWater contentHumidityRelative humidity
DOInot available

Abstract

fetched live from OpenAlex

A umidade do solo é a variável que representa a quantidade de água disponível para uma cultura. O conhecimento antecipado das condições de umidade do solo, especialmente em um horizonte de longo prazo, permite um melhor planejamento de ações no setor agrícola. Sobretudo em culturas não irrigadas, a previsão do nível de umidade no solo pode se tornar uma ferramenta de grande auxílio. Neste sentido, o estudo aqui conduzido avalia a previsibilidade da umidade do solo na bacia do rio Ijuí, onde há forte atividade do setor agrícola, através da simulação hidrológica. Sendo a precipitação a principal variável a determinar a umidade do solo, analisa-se aqui o desempenho diferentes conjuntos de previsão de precipitação para realização da previsão de umidade do solo, através do modelo de grandes bacias MGB-IPH (Modelo de Grandes Bacias – Instituto de Pesquisas Hidráulicas). Reconhecendo-se a grande dificuldade associada à previsão em longo prazo, realizam-se aqui previsões probabilísticas de umidade do solo, ou previsões por ensemble. O ensemble, ou conjunto, refere-se ao conjunto de membros de associados a cada modelo de previsão, e é uma alternativa para a consideração das incertezas na previsão. Foram empregadas as previsões de precipitação, considerando seus respectivos membros, de três modelos climatológicos (CCM3v6, ECPC e GFDL), gerando diferentes previsões de umidade do solo. Estas previsões de umidade do solo foram divididas em quatro grandes grupos: A) previsões realizadas com todos os membros do ensemble de um determinado modelo; B) previsões realizadas com a precipitação média dos membros de cada modelo; C) previsões empregando todos os membros de todos os modelos em uma mesma previsão de umidade do solo; e D) previsões baseadas em uma abordagem multimodelos, construindo um ensemble de modelos a partir da previsão realizada com a precipitação média prevista por cada modelo. Os resultados indicam que a previsão de umidade do solo a longo prazo baseada em previsões de precipitação pode ser útil para a identificação de períodos mais secos ou mais úmidos que o normal para a região. A determinação do nível exato de saturação do solo, contudo, ainda apresenta grandes limitações. Além disso, infere-se pelos resultados observados, produto da metodologia adotada, que a condução de previsões baseadas na média do ensemble (B) e na abordagem multimodelos (D) envolvem menos esforço e trazem resultados semelhantes ou melhores que as previsões baseadas em todos os membros dos modelos (A e C).

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 imitation

Not 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.

metaresearch head score (Codex)0.000
metaresearch head score (Gemma)0.001
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Simulation or modeling · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.024
Threshold uncertainty score0.047

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0000.001
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0010.001
Bibliometrics0.0010.001
Science and technology studies0.0010.001
Scholarly communication0.0020.001
Open science0.0010.001
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0030.001

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.

Opus teacher head0.014
GPT teacher head0.240
Teacher spread0.226 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designSimulation or modeling
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2015
Admission routes1
Has abstractyes

Explore more

Same venueLume (Universidade Federal do Rio Grande do Sul)Same topicEnvironmental and biological studiesFrench-language works237,207