Nonstationarity in Snowmelt Partitioning: A Mechanistic Modeling Approach to Explore the Role of Catchment Structure and Antecedent Climate
Notice bibliographique
Résumé
Understanding how snowmelt is partitioned into different hydrologic flowpaths/storages—and how such partitioning varies over time—is essential for predicting water availability/quality under climate variability. In this study, we examine the (non)stationarity of snowmelt partitioning patterns (SPP), in response to interannual variations in antecedent (Fall) rainfall prior to snowmelt seasons, across two snow-dominated catchments with contrasting geologic and topographic features: one in Canada and the other in Sweden. Using integrated subsurface–surface flow and transport modeling (ParFlow-CLM-EcoSLIM), combined with observational data, we simulate monthly to annual partitioning of snowmelt into shallow flowpaths, deep flowpaths, evapotranspiration, and long-term storage. Further, to generalize our findings beyond the two case studies, we design a suite of virtual experiments that systematically vary catchment slope, conductivity’s vertical contrast, and conductivity’s lateral heterogeneity. Results show that lateral heterogeneity in conductivity strongly mediates the sensitivity of snowmelt partitioning to antecedent rainfall: catchments with heterogeneous lateral structure store significantly more snowmelt and reduce shallow flow contributions during wetter years, while laterally homogeneous catchments display minimal sensitivity to wet or dry Fall rainfall condition. In contrast, slope and vertical conductivity architecture govern SPP but play a limited role in mediating SPP’s temporal sensitivity to antecedent rainfall variability. These findings reveal that subsurface structure—particularly lateral heterogeneity—mediates the extent to which climate variability alters snowmelt partitioning. This has implications for predicting streamflow responses, groundwater recharge, and solute transport under changing climate regimes, and highlights the importance of representing time-variable hydrologic behavior (or functions) in hydrologic models
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| 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 ».