Spatial relationships between soil moisture patterns and topographic variables at multiple scales in a humid temperate forested catchment
Notice bibliographique
Résumé
New tools are needed in hydrology to improve our understanding of process heterogeneity and its relationship to catchment topography. We tested the distance‐based Moran's eigenvector maps (DBMEM) method, which models patterns using a combination of positively and negatively autocorrelated structures, searching for soil moisture characteristic scales in a temperate humid forested system. We focused on three questions: (1) What are the characteristic spatial scales of shallow soil moisture? (2) Is there a strong relationship between soil moisture patterns and topographic variables at these scales? and (3) Which hydro‐meteorological variables influence soil moisture scales and topographic controls in a significant way? Data consisted of 16 surveys of soil moisture at depths of 5, 15, 30, and 45 cm in the 5.1 ha Hermine catchment (Laurentians, Canada). The global DBMEM model explained 21 to 96% (adjusted R square) of the spatial variations in soil moisture apportioned into decreasing fractions over six spatially nested, additive submodels: very large (0.85–1.4 ha), large (0.54–0.85 ha), meso (0.50–0.54 ha), fine positive (0.22–0.50 ha), fine negative (0.10–0.22 ha), and very fine (0.02–0.10 ha). The effects of catchment topography (e.g., slope and contributing area) on soil moisture were significant at large and very large scales. Moisture patterns at these scales were dependent on previous storm properties and were good predictors of catchment response. The DBMEM approach provided insightful quantitative evidence regarding the temporal dependency of the relationships between dynamic soil moisture content and static topographic variables across scales.
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 | 0,002 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».