Mixing as a driver of temporal variations in river hydrochemistry: 2. Major and trace element concentration dynamics in the Andes‐Amazon transition
Notice bibliographique
Résumé
Abstract Variations in riverine solute chemistry with changing runoff are used to interrogate catchment hydrology and to investigate chemical reactions in Earth's critical zone. This approach requires some understanding of how spatial and temporal averaging of solute‐generating reactions affect the dissolved load of rivers and streams. In this study, we investigate the concentration‐runoff (C‐Q) dynamics of a suite of major (Na, Mg, Ca, Si, K, and SO 4 ) and trace (Al, Ba, Cd, Co, Cr, Cu, Fe, Ge, Li, Mn, Mo, Nd, Ni, Rb, Sr, U, V, and Zn) elements in nested catchments of variable size, spanning the geomorphic gradient from the Andes Mountains to the Amazon Foreland‐floodplain. The major elements exhibit various degrees of dilution with increasing runoff at all sites, whereas the concentrations of most trace elements either increase or show no relationship with increasing runoff in the three larger catchments (160–28,000 km 2 area). We show that the observed main stem C‐Q dynamics are influenced by variable mixing of tributaries with distinct C‐Q relationships. Trace element C‐Q relationships are more variable among tributaries relative to major elements, which could be the result of variations in geomorphology, lithology, and hydrology of the subcatchments. Certain trace metals are also lost from solution during in‐channel processes (possibly related to colloidal size‐partitioning), which may exert an additional control on C‐Q dynamics. Overall, we suggest that tributary aggregation effects should be assessed in heterogeneous catchments before C‐Q or ratio‐Q relationships can be interpreted as reflecting catchment‐wide solute generation processes and their relationship to hydrology.
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 | 0,001 | 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 | 0,000 |
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 ».