Choosing methods for estimating dissolved and particulate riverine fluxes from monthly sampling
Notice bibliographique
Résumé
In discrete water quality surveys, riverine fluxes are associated with unknown uncertainties (biases and imprecisions). Annual flux errors have been determined from the generation of discrete surveys by Monte Carlo sorting for monthly sampling, from 10 years of daily records (120 records). Eight calculation methods were tested for suspended particulate matter, dissolved solids and dissolved and total nutrients in medium to large basins (103 to 106 km2) covering a wide range of hydrological conditions and riverine biogeochemistry. The performance of each method was analysed first by type of riverine material, which appeared to be much less pertinent than the flux variability matrix. The latter combines the river flow duration in two percent of time (W2%) and the truncated exponent (b50sup) defining the relationship of concentration vs discharge (C–Q) at higher flows (C = aQb50sup). As flux variability increases (high W2% and/or high b50sup), averaging and rating curve methods become less efficient compared to hydrograph separation methods. Flux biases and imprecisions were plotted in the [W2%, b50sup] matrix for discrete monthly surveys.Editor Z. W. KundzewiczCitation Raymond, S., Moatar, F., Meybeck, M., and Bustillo, V., 2013. Choosing methods for estimating dissolved and particulate riverine fluxes from monthly sampling. Hydrological Sciences Journal, 58 (6), 1326–1339.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,018 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».