MétaCan
Menu
Retour à la cohorte
Enregistrement W2143725706 · doi:10.1002/2013wr013743

A new multisource and high‐frequency approach to measuring <i>δ</i><sup>2</sup>H and <i>δ</i><sup>18</sup>O in hydrological field studies

2013· article· en· W2143725706 sur OpenAlexaff
Luke Pangle, Julian Klaus, Elena S. F. Berman, Manish Gupta, Jeffrey J. McDonnell

Notice bibliographique

RevueWater Resources Research · 2013
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHydrology and Watershed Management Studies
Établissements canadiensGlobal Institute for Water SecurityUniversity of Saskatchewan
Organismes subventionnairesU.S. Department of Energy
Mots-clésLysimeterPrecipitationSampling (signal processing)DrainageEnvironmental scienceSoil waterHydrology (agriculture)Water flowSoil scienceGeologyMeteorologyPhysics

Résumé

récupéré en direct d'OpenAlex

Measurements of δ 2 H and δ 18 O in isotope‐based field studies have fundamentally improved our understanding of water flow and transport time scales in soils and headwater catchments. Until recently, however, technical constraints have limited the temporal resolution at which water samples could be collected and analyzed. We introduce a new sample acquisition system—consisting of a four‐channel peristaltic pump, custom flow manifold, and CTC LCPAL auto‐sampler—that is paired with a field‐deployable laser spectrometer (LGR LWIA). Our system enables high‐frequency (subhourly) measurement of δ 2 H and δ 18 O in as many as four water sources. We deployed the system at a field site in Corvallis, OR, USA, where we measured the δ 2 H and δ 18 O composition of precipitation and the drainage from two lysimeters. The system produced δ 2 H and δ 18 O time series for precipitation and drainage from each lysimeter at a temporal frequency of one sample every 34 min, which, on average, corresponded to 0.84, 0.63, and 0.48 mm of precipitation or lysimeter drainage per sample. The high‐frequency data showed substantially greater short‐term variability than observed when sampling at successively longer time intervals. The system and sampling configuration are versatile and can be adapted to sample multiple water flows at variable frequencies depending on the characteristic transit times of each source.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,295
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0010,003
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,064
Tête enseignante GPT0,288
Écart entre enseignants0,224 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations37
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWater Resources ResearchMême sujetHydrology and Watershed Management StudiesTravaux en français237 207