Hydrological transit times in nested urban and agricultural watersheds in the Greater Toronto Area, Canada
Notice bibliographique
Résumé
Abstract Watershed mean transit times (MTTs) are used to characterize the hydrology of watersheds. Watershed MTTs could have important implications for water quality, as relatively long MTTs imply lengthier water retention, thereby allowing more time for pollutant transformation and more moderate release of pollutants into streams. Although estimates of MTTs are common for undisturbed watersheds, only a few studies to date have applied MTT models to urbanized watersheds. In the present study, we use δ18O to compare estimates of MTTs for paired suburban‐industrial and agricultural watersheds in Toronto, Canada. Although differences in precipitation δ18O between the two watersheds were negligible, there were significant differences in stream δ18O, suggesting differences in water transport pathways. Less damping between input precipitation δ18O and output stream δ18O in the suburban‐industrial watershed indicated a larger streamflow contribution from quick‐flow transport pathways. We applied three transit time models to quantify MTTs. Considering overall model fit, root mean square error, and uncertainty in model parameters, the exponential model performed the best of the three models. Optimized MTTs using this distribution across the suburban‐industrial subwatersheds ranged from 2.1 to 2.9 months, whereas those in the agricultural subwatersheds ranged from 2.7 to 7.5 months. The relatively small difference between urban and agricultural MTTs coincides with observations elsewhere. Model efficiencies could potentially be improved, and MTTs estimated more reliably, with a higher sampling frequency that captures a greater volume of overall discharge. Overall, this work provides a distinct first glimpse into the separation of MTTs between paired watersheds with such a large contrast in their land use.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».