Notice bibliographique
Résumé
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 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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,014 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,096 | 0,060 |
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 ».