Automated streamflow measurements in high‐elevation Alpine catchments
Notice bibliographique
Résumé
Abstract Salt dilution is a well‐established streamflow measurement method in creeks, which works particularly well downstream of turbulent flow sections as the mixing of the salt tracer is enhanced. Usually, salt dilution measurements are performed manually, which considerably limits the observations of rare peak flow events. These events are particularly important for constructing robust rating curves and avoiding large uncertainties in the extrapolation of streamflow values. An additional challenge is the variability of the river cross section, especially after larger discharge events, leading to nonstationary rating curves. Therefore, discharge measurements well distributed over time are needed to construct a reliable streamflow–water level relationship and to detect changes caused by erosion and deposition processes. To overcome these two issues, we used an automated streamflow measuring systems at three different sites with contrasting hydrological and hydraulic characteristics in the Alps. This system allowed us to measure discharge at nearly maximum flow of the observation period (2020–2021) at all three sites and to detect abrupt changes in the rating curve by performing event‐based salt injections. The uncertainty in the measurements was quantified, and the streamflow was compared with official gauging stations in the same catchment. Based on a very large dataset of almost 300 measurements, we were able to evaluate the reliability of the system and identify the primary sources of uncertainty in the experimental setup. One key aspect was the site selection for the downstream electrical conductivity sensors, as measurement location strongly controls the signal‐to‐noise ratio in the recorded breakthrough curves.
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 | 0,001 | 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 | 0,000 |
| 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 | 0,001 |
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 ».