MétaCan
Menu
← Retour à la cohorte
Enregistrement W3193978882 · doi:10.5194/hess-2021-437

Diel streamflow cycles suggest more sensitive snowmelt-driven streamflow to climate change than land surface modeling

2021· article· en· W3193978882 sur OpenAlexaff
Sebastian A. Krogh, Lucía Scaff, Gary Sterle, James W. Kirchner, Beatrice Gordon, A. A. Harpold

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHydrology and Watershed Management Studies
Établissements canadiensGlobal Institute for Water SecurityUniversity of Saskatchewan
Organismes subventionnairesComisión Nacional de Investigación Científica y TecnológicaNational Science Foundation
Mots-clésStreamflowSnowmeltEnvironmental scienceClimatologyClimate changeDiel vertical migrationWater yearProxy (statistics)SnowWater resourcesDrainage basinGeologyGeographyMeteorologyEcology

Résumé

récupéré en direct d'OpenAlex

Abstract. Climate warming may cause mountain snowpacks to melt earlier, reducing summer streamflow and threatening water supplies and ecosystems. Few observations allow separating rain and snowmelt contributions to streamflow, so physically based models are needed for hydrological predictions and analyses. We develop an observational technique for detecting streamflow responses to snowmelt using incoming solar radiation and diel (daily) cycles of streamflow. We measure the 20th percentile of snowmelt days (DOS20), across 31 watersheds in the western US, as a proxy for the beginning of snowmelt-initiated streamflow. Historic DOS20 varies from mid-January to late May, with warmer sites having earlier and more intermittent snowmelt-mediated streamflow. Mean annual DOS20 strongly correlates with the dates of 25 % and 50 % annual streamflow volume (DOQ25 and DOQ50, both R2 = 0.85), suggesting that a one-day earlier DOS20 corresponds with a one-day earlier DOQ25 and 0.7-day earlier DOQ50. Empirical projections of future DOS20 (RCP8.5, late 21st century), using space-for-time substitution, show that DOS20 will occur 11 ± 4 days earlier per 1 °C of warming, and that colder places (mean November–February air temperature, TNDJF <−8 °C) are 70 % more sensitive to climate change on average than warmer places (TNDJF > 0 °C). Moreover, empirical space-for-time based projections of DOQ25 and DOQ50 are about four and two times more sensitive to earlier streamflow than those from NoahMP-WRF. Given the importance of changing streamflow timing for headwater resources, snowmelt detection methods such as DOS20 based on diel streamflow cycles may constrain hydrological models and improve hydrological predictions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,021
Tête enseignante GPT0,248
Écart entre enseignants0,226 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations3
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetHydrology and Watershed Management Studies→Travaux en français237 207→