A method to detect and characterize sub‐daily flow fluctuations
Notice bibliographique
Résumé
Abstract Hydro peaking causes an important environmental impact on running water ecosystems. Many affected rivers have a poor ecological status. In rivers affected by hydro peaking, the flow conditions are highly complex and difficult to grasp. To develop a general framework for detecting and characterizing sub‐daily flow fluctuations, we analysed more than 500 Austrian hydrographs, covering the whole range from unimpacted to heavily impacted rivers. Different fluctuation types could be identified according to the potential source: e.g. sub‐daily flow fluctuations caused by hydro peaking, rainfall or snow and glacier melt. Additionally, the term ‘hydro fibrillation’ was established, to indicate frequently occurring artificial fluctuations with comparably low intensities. An automatic procedure was used to detect frequency and intensity of each flow fluctuation. Using variables based on duration curves of flow fluctuation rates (ramping rates), amplitudes, flow ratios, durations and daily numbers of fluctuations, a predictive model (linear discriminant analysis) was fitted to classify hydrographs into predominant fluctuation regimes. This is the basis for a detailed investigation of present sub‐daily flow regimes and to analyse the differences between the regimes. Based on the results, we finally propose a general framework that enables a standardized assessment of flow fluctuations regarding event intensities and/or event timing. The proposed framework offers a standardized selection of particular flow fluctuations referring to increase and decrease events separately. The selection of specific flow fluctuations can be defined with respect to several research questions (e.g. ecologically relevant fluctuations), which offers a wide range of applications. Copyright © 2015 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 | 0,000 | 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».