A Database of Natural Monthly Streamflow Estimates from 1950 to 2015 for the Conterminous United States
Notice bibliographique
Résumé
Abstract Quantifying and understanding the natural streamflow regime, defined as expected streamflow that would occur in the absence of anthropogenic modification to the hydrologic system, is critically important for the development of management strategies aimed at protecting aquatic ecosystems. Water balance models have been applied frequently to estimate natural flows, but are limited in the number of predictor variables that can be included. Here, a statistical machine learning technique — random forest modeling — was applied to estimate natural flows at a monthly time‐step from 1950 to 2015 for >2.5 million stream reaches in the conterminous United States (U.S.) using 200 potential predictor variables. We describe the development and documentation of this dataset and assess model performance. Model fit statistics (mean Nash–Sutcliffe efficiency = 0.85; observed/expected ratio = 0.94) indicate good correspondence between predicted and observed flows at nearly 2,000 streamgages. As an example application of the dataset, the observed streamflow record at a site prior to and after the construction of an upstream reservoir was compared with estimated natural flows to demonstrate the magnitude of seasonal depletions in streamflow due to the reservoir. This dataset can be applied to quantify natural and anthropogenic processes contributing to streamflow depletion or augmentation, and assess associated ecological effects.
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 ».