Quantifying groundwater–surface water interactions in a proglacial valley, Cordillera Blanca, Peru
Notice bibliographique
Résumé
Abstract A myriad of downstream communities and industries rely on streams fed by both groundwater discharge and glacier meltwater draining the Cordillera Blanca, Northern Peruvian Andes, which contains the highest density of glaciers in the tropics. During the dry season, approximately half the discharge in the region's proglacial streams comes from groundwater. However, because of the remote and difficult access to the region, there are few field methods that are effective at the reach scale to identify the spatial distribution of groundwater discharge. An energy balance model, Rhodamine WT dye tracing, and high‐definition kite‐borne imagery were used to determine gross and net groundwater inputs to a 4‐km reach of the Quilcay River in Huascaran National Park, Peru. The HFLUX computer programme ( http://hydrology.syr.edu/hflux.html ) was used to simulate the Quilcay River's energy balance using stream temperature observations, meteorological measurements, and kite‐borne areal photography. Inference from the model indicates 29% of stream discharge at the reach outlet was contributed by groundwater discharge over the study section. Rhodamine WT dye tracing results, coupled with the energy balance, show that approximately 49% of stream water is exchanged (no net gain) with the subsurface as gross gains and losses. The results suggest that gross gains from groundwater are largest in a moraine subreach but because of large gross losses, net gains are larger in the meadow subreaches. These insights into pathways of groundwater–surface water interaction can be applied to improve hydrological modelling in proglacial catchments throughout South America. Copyright © 2016 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) | 0,007 | 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 ».