MétaCan
Menu
Retour à la cohorte
Enregistrement W3143753519 · doi:10.1029/2020wr027514

Fill‐and‐Spill: A Process Description of Runoff Generation at the Scale of the Beholder

2021· article· en· W3143753519 sur OpenAlexaff
Jeffrey J. McDonnell, Christopher Spence, Daniel J. Karran, Ilja van Meerveld, C. J. Harman

Notice bibliographique

RevueWater Resources Research · 2021
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHydrology and Watershed Management Studies
Établissements canadiensEnvironment and Climate Change CanadaGlobal Institute for Water SecurityUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésSurface runoffScale (ratio)Process (computing)Environmental scienceEvent (particle physics)Range (aeronautics)OutflowComputer scienceUnit (ring theory)Hydrology (agriculture)Environmental resource managementGeographyGeologyEngineeringGeotechnical engineeringMeteorologyCartographyMathematicsEcology

Résumé

récupéré en direct d'OpenAlex

Abstract Descriptions of runoff generation processes continue to grow, helping to reveal complexities and hydrologic behavior across a wide range of environments and scales. But to date, there has been little grouping of these process facts. Here, we discuss how the “fill‐and‐spill” concept can provide a framework to group event‐based runoff generation processes. The fill‐and‐spill concept describes where vertical and lateral additions of water to a landscape unit are placed into storage (the fill)—and only when this storage reaches a critical level (the spill), and other storages are filled and become connected, does a previously infeasible (but subsequently important) outflow pathway become activated. We show that fill‐and‐spill can be observed at a range of scales and propose that future fieldwork should first define the scale of interest and then evaluate what is filling‐and‐spilling at that scale. Such an approach may be helpful for those instrumenting and modeling new hillslopes or catchments because it provides a structured way to develop perceptual models for runoff generation and to group behaviors at different sites and scales.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,340
Score d'incertitude au seuil0,616

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,056
Tête enseignante GPT0,289
Écart entre enseignants0,233 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations163
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWater Resources ResearchMême sujetHydrology and Watershed Management StudiesTravaux en français237 207