Mechanisms of spring freshet generation in southern Quebec, Canada
Notice bibliographique
Résumé
Seasonal forecasting of spring floods in snow-covered basins is challenging due to the ambiguity in the driving processes, uncertain estimations of antecedent catchment conditions, and the choice of predictor variables. In this study, we attempt to improve the prediction of spring flow peaks in southern Quebec, Canada, by studying the preconditioning mechanisms of runoff generation and their impact on inter-annual variations in the timing and magnitude of spring peak flow. Historical observations and simulated data from a hydrological and snowmelt model were used to study the antecedent conditions that control flood characteristics in 12 unregulated snow-dominated catchments. Maximum snow accumulation (peak SWE), snowmelt and rainfall volume and intensity, soil moisture, river baseflow, and the air freezing index, a proxy for soil freezing, were estimated during the pre-flood period. Stepwise multiple linear regression was used to identify the most relevant predictors and assess their relative contribution to interannual variability flood variability. Peak SWE was not by itself a strong predictor of spring flood magnitude and timing. The snowmelt rate during the pre-flood period was the most ubiquitous and skillful predictor of spring flood magnitude, followed by the rainfall intensity. The ‘soil memory’ effect, represented here by the simulated soil moisture content and freezing depth, was generally poorly related to flood characteristics. SWE and snowmelt dynamics dominated the interannual variability of flood magnitude in the southern and agricultural basins while rainfall intensity had a stronger influence in the northern, snowier forested basins. More complex machine learning models (random forest and support vector regression) did not perform better than the simple linear models to predict peakflow from antecedent hydroclimatic factors. These results highlight the impact of climate and land cover and use on spring flood generation mechanism and the moderate predictability potential of spring floods based on antecedent hydrological factors.
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 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».