High-resolution streamflow and weather data (2013–2019) for seven small coastal watersheds in the northeast Pacific coastal temperate rainforest, Canada
Notice bibliographique
Résumé
Abstract. Hydrometeorological observations of small watersheds of the northeast Pacific coastal temperate rainforest (NPCTR) of North America are important to understand land to ocean ecological connections and to provide the scientific basis for regional environmental management decisions. The Hakai Institute operates a densely networked and long-term hydrometeorological monitoring observatory that fills a spatial data gap in the remote and sparsely gauged outer coast of the NPCTR. Here we present the first 5 water years (October 2013–October 2019) of high-resolution streamflow and weather data from seven small (< 13 km2) coastal watersheds. Measuring rainfall and streamflow in remote and topographically complex rainforest environments is challenging; hence, advanced and novel automated measurement methods were used. These methods, specifically for streamflow measurement, allowed us to quantify uncertainty and identify key sources of error, which varied by gauging location. Average yearly rainfall was 3267 mm, resulting in 2317 mm of runoff and 0.1087 km3 of freshwater exports from all seven watersheds per year. However, rainfall and runoff were highly variable, depending on the location and elevation. The seven watersheds have rainfall-dominated (pluvial) streamflow regimes, streamflow responses are rapid, and most water exports are driven by high-intensity fall and winter storm events. The complete hourly and 5 min interval datasets can be accessed at https://doi.org/10.21966/J99C-9C14 (Korver et al., 2021), and accompanying watershed delineations with metrics can be found at https://doi.org/10.21966/1.15311 (Gonzalez Arriola et al., 2015).
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».