Use of Mixed Methods in the Science of Hydrological Extremes: What Are Their Contributions?
Notice bibliographique
Résumé
Research in hydrological sciences is constantly evolving to provide adequate answers to address various water-related issues. Methodological approaches inspired by mathematical and physical sciences have shaped hydrological sciences from its inceptions to the present day. Nowadays, as a better understanding of the social consequences of extreme meteorological events and of the population’s ability to adapt to these becomes increasingly necessary, hydrological sciences have begun to integrate knowledge from social sciences. Such knowledge allows for the study of complex social-ecological realities surrounding hydrological phenomena, such as citizens’ perception of water resources, as well as individual and collective behaviors related to water management. Using a mixed methods approach to combine quantitative and qualitative approaches has thus become necessary to understand the complexity of hydrological phenomena and propose adequate solutions for their management. In this paper, we detail how mixed methods can be used to research flood hydrology and low-flow conditions, as well as in the management of these hydrological extremes, through the analysis of case studies. We frame our analysis within the three paradigms (positivism, post-positivism, and constructivism) and four research designs (triangulation, complementary, explanatory, and exploratory) that guide research in hydrology. We show that mixed methods can notably contribute to the densification of data on extreme flood events to help reduce forecasting uncertainties, to the production of knowledge on low-flow hydrological states that are insufficiently documented, and to improving participatory decision making in water management and in handling extreme hydrological events.
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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».