Estimating suspended sediment concentrations in areas with limited hydrological data using a mixed‐effects model
Notice bibliographique
Résumé
Abstract Sediment rating curves are commonly used to estimate the suspended sediment load in rivers and streams under the assumption of a constant relation between discharge ( Q ) and suspended sediment concentrations (SSC) over time. However, temporal variation in the sediment supply of a watershed results in shifts in this relation by increasing variability and by introducing nonlinearities in the form of hysteresis or a path‐dependent relation. In this study, we used a mixed‐effects linear model to estimate an average SSC– Q relation for different periods of time within the hydrologic cycle while accounting for seasonality and hysteresis. We tested the performance of the mixed‐effects model against the standard rating curve, represented by a generalized least squares regression, by comparing observed and predicted sediment loads for a test case on the Chilliwack River, British Columbia, Canada. In our analyses, the mixed‐effects model reflected more accurate patterns of interpolated SSC from Q data than the rating curve, especially for the low‐flow summer months when the SSC– Q relation is less clear. Akaike information criterion scores were lower for the mixed‐effects model than for the standard model, and the mixed‐effects model explained nearly twice as much variance as the standard model (52% vs 27%). The improved performance was achieved by accounting for variability in the SSC– Q relation within each month and across years for the same month using fixed and random effects, respectively, a characteristic disregarded in the sediment rating curve. Copyright © 2012 John Wiley & Sons, Ltd.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».