A Hydrologic Functional Approach for Improving Large‐Sample Hydrology Performance in Poorly Gauged Regions
Notice bibliographique
Résumé
Abstract Hydrologic functions of catchments are intrinsically diverse and defined as the ways catchments partition, store, and drain rainfall and snowmelt. Large‐sample hydrology (LSH) uses existing datasets of catchments to derive generalizable conclusions on hydrologic behaviors. LSH has the potential to synthesize the diversity of catchment hydrologic functions, allowing a robust extrapolation of streamflow generation mechanisms to poorly gauged regions. However, the descriptors of hydrologic functions, required to synthesize and extrapolate, have not been developed in LSH methodologies. This has potentially resulted in unexpectedly small associations between catchments' physical features and streamflow characteristics as well as poor predictability of the shape of streamflow hydrographs, as shown in recent LSH studies. Here, we propose three dimensionless indices—which directly quantify hydrologic functions—based on how interactions between a catchment’s climatic and physical attributes construct catchment functions. Using climatic and physical data as well as long‐term streamflow observations at hundreds of gauged catchments across the United States and Canada, our results depict that the use of interactive functional indices as catchment descriptors improves the performance of LSH methodologies (hierarchical clustering, multivariate regression, and random forests) in identifying hydrologic similarities in shape‐based streamflow signatures among catchments, and in predicting shape‐based streamflow signatures in poorly gauged regions. This research highlights the importance of physical interpretability of LSH models and showcases the development of parsimonious and process‐based catchment‐scale frameworks, allowing the analysis of globally available catchment data to progress the generalizable understanding of catchment hydrologic functions and streamflow generation mechanisms.
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».