MétaCan
Menu
Retour à la cohorte
Enregistrement W4391881092 · doi:10.1111/jfr3.12971

Spatiotemporal variability of fall daily maximum flows in southern Quebec (Canada) from 1930 to 2018

2024· article· en· W4391881092 sur OpenAlexafffundabout
Ali A. Assani

Notice bibliographique

RevueJournal of Flood Risk Management · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHydrology and Watershed Management Studies
Établissements canadiensUniversité du Québec à Trois-Rivières
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésShorePrecipitationEnvironmental scienceWetlandSurface runoffHydrology (agriculture)Infiltration (HVAC)AgricultureClimatologyPhysical geographyGeographyOceanographyMeteorologyGeologyEcology

Résumé

récupéré en direct d'OpenAlex

Abstract Quebec is experiencing a significant increase in summer and fall temperatures and rainfall. This study compares the spatiotemporal variability of maximum daily flows generated by rainfall during the fall season (September–December) in relation to this climatic change and physiographic and land use factors. Analysis of the spatial variability of these maximum flows measured from 1930 to 2018 in 17 watersheds revealed that the magnitude of flows is approximately twice as low on the north shore as it is on the south shore south of 47° N. This difference is explained by three main factors: wetlands (negative correlation) and agricultural (positive correlation) surface area, and summer–fall total precipitation (positive correlation). As for the temporal variability of flows, the different Mann–Kendall statistical tests showed a significant increase in flows due to increased rainfall. The increase of flows was more widespread on the north shore than on the south because the storage capacity of wetlands and other water bodies does not change over time to store excess rainfall. On the south shore, the increase in flows over time is limited due to the significant reduction in agricultural areas since the modernization of agriculture. This reduction favored infiltration to the detriment of runoff.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,095

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,199
Écart entre enseignants0,193 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2024
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJournal of Flood Risk ManagementMême sujetHydrology and Watershed Management StudiesTravaux en français237 207