Notice bibliographique
Résumé
Abstract. Uncertainty in estimating precipitation in mountain headwaters can be transmitted to estimates of river discharge far downstream. Quantifying and reducing this uncertainty is needed to better constrain the uncertainty of hydrological predictions in rivers with mountain headwaters. Spatial estimation of precipitation fields can be accomplished through interpolation of snowfall and rainfall observations, these are often sparse in mountains and so gauge density strongly affects precipitation uncertainty. Elevational lapse rates also influence uncertainty as they can vary widely between events and observations are rarely at multiple proximal elevations. Therefore, the spatial, temporal, and elevational domains need to be considered to quantify precipitation gauge network uncertainty. This study aims to quantify the spatiotemporal and elevational uncertainty in the spatial precipitation interpolated from gauged networks in the snowfall-dominated, triple continental divide, Canadian Rockies headwaters of the Mackenzie, Nelson, Columbia, Fraser and Mississippi rivers of British Columbia and Alberta, Canada and Montana, USA. A 30-year (1991–2020) daily precipitation database was created in the region and utilized to generate spatial precipitation and uncertainty fields utilizing kriging interpolation and lapse rates. Results indicate that gauge network coverage improved after the drought of 2001–2002, but it was still insufficient to decrease domain-scale uncertainty, because most gauges were deployed in valley bottoms. It was identified that deploying gauges above 2000 m will have the greatest cost-effective benefits for decreasing uncertainty in the region. High-elevation gauge deployments associated with university research and other programs after 2005 had a widespread impact on reducing uncertainty. The greatest uncertainty in the recent period remains in the Nelson headwaters, whilst the least is in the Mississippi headwaters. These findings show that both spatiotemporal and elevational components of precipitation uncertainty need to be quantified to estimate uncertainty for use in precipitation network design in mountain headwaters. Understanding and then reducing these uncertainties through additional precipitation gauges is crucial for more reliable prediction of river discharge.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,017 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,440 | 0,289 |
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 ».