Rising temperatures drive lower summer minimum flows across hydrologically diverse catchments
Notice bibliographique
Résumé
Excessively low stream flows harm ecosystems and societies, so two key goals of low-flow hydrology are to understand their drivers and to predict their severity and frequency. We show that simple linear regressions can accomplish both goals across diverse catchments. We analyse 230 unregulated moderate to high relief catchments across rainfall-dominated, hybrid, snowmelt-dominated, and glacial regimes in British Columbia, Canada, with drainage areas spanning 5 orders of magnitude from 0.5 to 55,000 km2. We find that summer low flows are decreasing in rainfall-dominated and hybrid catchments and are dominantly driven by summer precipitation and temperature, and only weakly influenced by winter storage. We apply this understanding of drivers to create regression models to predict the minimum summer flow using monthly temperature and precipitation data. These models outperform distributed process-based models for every common goodness-of-fit metric; the performance improvement is mostly a result of abandoning the requirement to simulate all parts of the annual hydrograph. We use these regression models to reconstruct streamflow droughts, environmental flow threshold transgressions, and low flow anomalies from 1901-2022. We reproduce recent drying trends in rainfall-dominated and hybrid catchments, but also show that present conditions are comparable to those seen almost one hundred years ago. However, anomalously low flows last century were caused by severe precipitation deficits while current declines are being driven by rising summer temperatures during a period of above-average precipitation.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 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) | 0,001 | 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 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 ».