Leveraging a time-series event separation method to disentangle time-varying hydrologic controls on streamflow – application to wildfire-affected catchments
Notice bibliographique
Résumé
Increasing watershed disturbance regimes, such as from wildfire, are a growing concern for natural resource managers. However, the influence of watershed disturbances on event-scale rainfall–runoff patterns has proved challenging to disentangle from other hydrologic controls. To better isolate watershed disturbance effects, this study evaluates the influence of several time-varying hydrologic controls on event-scale rainfall–runoff patterns, including water year type, seasonality, and antecedent precipitation. To accomplish this, we developed the Rainfall–Runoff Event Detection and Identification (RREDI) toolkit, an automated time-series event separation and attribution algorithm that overcomes several limitations of existing techniques. The RREDI toolkit was used to generate a dataset of 5042 rainfall–runoff events from nine western US watersheds. By analyzing this large dataset, water year type and season were identified as significant controls on rainfall–runoff patterns, whereas antecedent moisture was pinpointed as a limited control. Specific effects of wildfire disturbance on runoff response were then demonstrated for two burned watersheds by first grouping rainfall–runoff events based on identified hydrologic controls, such as wet versus dry water year types. The role of water year type and season should be considered in future hydrologic analysis to better isolate the increasing and changing effects of wildfires on streamflow. The RREDI toolkit could be readily applied to investigate the influence of other hydrologic controls and watershed disturbances on rainfall–runoff patterns.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».