Novel predictors related to hysteresis and baseflow improve predictions of watershed nutrient loads: An example from Ontario's lower Great Lakes basin
Notice bibliographique
Résumé
Eutrophication has re-emerged in the lower Great Lakes basin resulting in critical water quality issues. Models that accurately predict nutrient loading from streams are needed to inform appropriate nutrient management decisions. Generalized additive models (GAMs) that use surrogate data from sensors to predict nutrient loads offer an alternative to commonly applied linear regression and may better handle relationship non-linearities and skewed water quality data. Five years (2015–2020) of water quantity and quality data from 11 agricultural watersheds in southern Ontario were used to develop GAMs to predict total phosphorus (TP) and nitrate (NO 3 − ) loads. This study aimed to 1) use GAMs to predict nutrient loads using both common and novel predictors and 2) quantify and examine the variability in seasonal and annual nutrient loads. Along with routine surrogate model predictors (i.e., flow, turbidity, and seasonality), the addition of the baseflow proportion and the hydrograph position of flow observations improved model performance. Conversely, including the antecedent precipitation index minimally affected model performance, regardless of constituent. Seasonal and annual patterns in TP and NO 3 − load predictions mirrored that of the hydrologic regime. This study showed that parsimonious GAMs featuring novel model predictors can be used to predict nutrient loads while accounting for the partitioning of surface and subsurface flow paths and hysteresis between streamflow and water quality parameters that are frequently observed in a wide range of environments.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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 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 ».