Regionalization of Hydrologic Behavior and Pothole Water Storage Dynamics in the Prairie Pothole Region
Notice bibliographique
Résumé
In pothole-dominated catchments, such as those in the Prairie Pothole Region (PPR), potholes strongly influence catchment hydrologic behavior through complex and dynamic fill-spillconnection mechanisms. This complexity-combined with the predominance of ungauged catchments and the lack of high-resolution pothole inventories-poses challenges for both traditional hydrologic models and purely data-driven deep learning approaches. To address this, we developed the δHBV-Pot model within a differentiable modeling framework (δ). This physics-informed deep learning model integrates the conceptual HBV model with a probabilistic algorithm that emulates the aggregate effects of pothole fill-spill-connection processes. Applied to 98 PPR catchments, δHBV-Pot achieves stronger predictive accuracy and physical realism than a purely data-driven Long Short-Term Memory (LSTM) model and two conceptual hydrologic models. The PPR-scale regional δHBV-Pot model successfully simulates hydrologic behavior for the majority of pseudo-ungauged (test) catchments withheld during model development, effectively regionalizing (1) high-flow magnitude and interannual variability, (2) intra-annual flashiness of high-flow and normal flow conditions, and (3) interannual variability in pothole water storage dynamics. Moreover, the model identifies vulnerable catchments with large high-flow magnitude and variability-even in the absence of streamflow data-and delineates catchments with varying temporal variability in pothole water storage without requiring detailed pothole inventories. Our findings highlight the value of combining conceptual hydrology with data-driven deep learning in pothole-dominated regions. This integrated approach uncovers new hydrologic patterns from large datasets and enables the regionalization of high-flow and pothole storage characteristics to ungauged catchments, providing critical insights for vulnerability assessment and the design of sustainable water and ecological management strategies in pothole-dominated landscapes.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».