Comment on hess-2023-101
Notice bibliographique
Résumé
Abstract. For remote and vast northern watersheds, hydrological data are often sparse and incomplete. Landscape hydrology provides useful approaches for the indirect assessment of the hydrological characteristics of watersheds through analysis of landscape properties. In this study, we used unsupervised Geographic Object-Based Image Analysis (GeOBIA) paired with the Fuzzy C-Means (FCM) clustering algorithm to produce seven high-resolution territorial classifications of key remotely sensed hydro-geomorphic metrics for the 1985–2019 time-period, each spanning five years. Our study site is the George River watershed (GRW), a 42,000 km2 watershed located in Nunavik, northern Quebec (Canada). The subwatersheds within the GRW, used as the objects of the GeOBIA, were classified as a function of their hydrological similarities. Classification results for the period 2015–2019 showed that the GRW is composed of two main types of subwatersheds distributed along a latitudinal gradient, which indicates broad-scale differences in hydrological regimes and water balances across the GRW. Six classifications were computed for the period 1985–2014 to investigate past changes in hydrological regime. The seven-classification time series showed a homogenization of subwatershed types associated to increases in vegetation productivity and in water content in soil and vegetation, mostly concentrated in the northern half of the GRW, which were the major changes occurring in the land cover metrics of the GRW. An increase in vegetation productivity likely contributed to an augmentation in evapotranspiration and may be a primary driver of fundamental shifts in the GRW water balance, potentially explaining a measured decline of about 1 % (∼ 0.16 km3 y−1) in the George River’s discharge since the mid-1970s. Permafrost degradation over the study period also likely affected the hydrological regime and water balance of the GRW. However, the shifts in permafrost extent and active layer thickness remain difficult to detect using remote sensing based approaches, particularly in areas of discontinuous and sporadic permafrost.
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 | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,007 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,413 | 0,262 |
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 ».