Hydrometric data discretization into environmental flow components: a new, practical approach to explore concentration-discharge relationships
Notice bibliographique
Résumé
The intricate dynamics of streamflow and water quality are often explored through the lens of concentration-discharge (C-Q) relationships. Interpreting C-Q relationships and using mathematical models to explain them can, however, be challenging due to hysteresis effects, low-frequency data, or noisy data. To address these challenges, this study introduces a noise-filtering approach by aggregating discrete data collected over several years into bins corresponding to distinct environmental flow components (EFCs). Covering a spectrum from extreme low flows to small and large floods, this method simplifies C-Q analysis by focusing on watershed hydrochemical responses to varying flow conditions. The objectives of the study were to explore the variability of stream water quality across a gradient of EFCs, categorize watersheds based on their median dominant export behaviour type (e.g. dilution, mobilization, chemostatic), and evaluate the predictability of export behaviour type from watershed characteristics. The study relied on 30 watersheds located in Québec, Canada, ranging in size from 11 to 2610 km2, with daily streamflow data and at least monthly water quality data spanning at least two years over the 1989-2020 period. EFC-specific summary statistics for dissolved organic carbon (DOC), total nitrogen (TN), and total phosphorus (TP) concentrations were computed and used to assess C-Q relationships and classify the general tendencies of watershed export behaviour. Results reveal nuances in watershed export behaviour depending on the specific water quality parameter and flow components assessed. Some differences in watershed hydrobiogeochemical behaviours could be explained by differences in watershed physiographic characteristics. The EFC-based approach to C-Q analysis provides watershed scientists and managers with a simple and comprehensive tool to utilize existing data, enabling a deeper understanding of watershed nutrient export dynamics.
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 | 0,003 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».