Variability of stream extents controlled by flow regime and network hydraulic scaling
Notice bibliographique
Résumé
Abstract Stream networks expand and contract through time, impacting chemical export, aquatic habitat, and water quality. Although recent advances improve prediction of the extent of the wetted channel network ( L ) based on discharge at the catchment outlet ( Q ), controls on the temporal variability of L remain poorly understood and unquantified. Here we develop a quantitative, conceptual framework to explore how flow regime and stream network hydraulic scaling factors co‐determine the relative temporal variability in L (denoted here as the total wetted channel drainage density). Network hydraulic scaling determines how much L changes for a change in Q , while the flow regime describes how Q changes in time. We compiled datasets of co‐located dynamic stream extent mapping and discharge to analyze all globally available empirical data using the presented framework. We found that although variability in L is universally damped relative to variability in Q (i.e., streamflow is relatively more variable in time than network extent), the relationship is elastic, meaning that for a given increase in the variability in Q , headwater catchments will experience greater‐than‐proportional increases in the variability of L . Thus, under anticipated climatic shifts towards more volatile precipitation, relative variability in headwater stream network extents can be expected to increase even more than the relative variability of discharge itself. Comparison between network extents inferred from the L ‐ Q relationship and blue lines on USGS topographic maps shows widespread underestimation of the wetted channel network by the blue line network.
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 | 0,001 |
| 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 | 0,001 |
| 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) | 0,001 | 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 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 ».