MétaCan
Menu
Retour à la cohorte
Enregistrement W4401174087 · doi:10.1029/2023wr036900

Streamflow Intermittence in Europe: Estimating High‐Resolution Monthly Time Series by Downscaling of Simulated Runoff and Random Forest Modeling

2024· article· en· W4401174087 sur OpenAlexafffund
Petra Döll, Mahdi Abbasi, Mathis Messager, Tim Trautmann, Bernhard Lehner, Nicolas Lamouroux

Notice bibliographique

RevueWater Resources Research · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHydrology and Watershed Management Studies
Établissements canadiensMcGill University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaAgence Nationale de la Recherche
Mots-clésStreamflowDownscalingEnvironmental sciencePerennial plantSurface runoffClimatologySeries (stratigraphy)Hydrology (agriculture)PrecipitationMeteorologyGeographyGeologyDrainage basinEcology

Résumé

récupéré en direct d'OpenAlex

Abstract Knowing where and when rivers cease to flow provides an important basis for evaluating riverine biodiversity, biogeochemistry and ecosystem services. We present a novel modeling approach to estimate monthly time series of streamflow intermittence at high spatial resolution at the continental scale. Streamflow intermittence is quantified at more than 1.5 million river reaches in Europe as the number of no‐flow days grouped into five classes (0, 1–5, 6–15, 16–29, 30–31 no‐flow days) for each month from 1981 to 2019. Daily time series of observed streamflow at 3706 gauging stations were used to train and validate a two‐step random forest modeling approach. Important predictors were derived from time series of monthly streamflow at 73 million 15 arc‐sec (∼500 m) grid cells that were computed by downscaling the 0.5 arc‐deg (∼55 km) output of the global hydrological model WaterGAP, which accounts for human water use. Of the observed perennial and non‐perennial station‐months, 97.8% and 86.4%, respectively, were correctly predicted. Interannual variations of the number of non‐perennial months at non‐perennial reaches were satisfactorily simulated, with a median Pearson correlation of 0.5. While the spatial prevalence of non‐perennial reaches is underestimated, the number of non‐perennial months is overestimated in dry regions of Europe where artificial storage abounds. Our model estimates that 3.8% of all European reach‐months and 17.2% of all reaches were non‐perennial during 1981–2019, predominantly with 30–31 no‐flow days. Although estimation uncertainty is high, our study provides, for the first time, information on the continent‐wide dynamics of non‐perennial rivers and streams.

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)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,022
Score d'incertitude au seuil0,044

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,015
Tête enseignante GPT0,262
Écart entre enseignants0,247 · 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'étudeSimulation ou modélisation
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

Citations22
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueWater Resources ResearchMême sujetHydrology and Watershed Management StudiesTravaux en français237 207