MétaCan
Menu
Retour à la cohorte
Enregistrement W4414127210 · doi:10.1002/hyp.70261

Quantifying the Effect of Catchment Snow Cover on Stream Temperature Dynamics in a Mountainous Region

2025· article· en· W4414127210 sur OpenAlexafffund
Sam G. Collins, Ben M. Pelto, L. M. Callahan, Pierre A. Friele, R. D. Moore

Notice bibliographique

RevueHydrological Processes · 2025
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueCryospheric studies and observations
Établissements canadiensUniversity of British ColumbiaGeoscience BC
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaMitacsBC Hydro
Mots-clésSnowSnowmeltDrainage basinSnow coverHydrology (agriculture)STREAMSClimate changeRange (aeronautics)Air temperature

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Stream temperature is an important water quality parameter, particularly as it influences thermal habitat suitability for a range of species. Empirical models are commonly used for estimating stream temperature at locations where no or limited data exist and for making projections of stream temperature response to future climate scenarios. Previous research has shown that snow dynamics strongly influence stream temperature in mountainous regions. The objective of this study is to evaluate the use of catchment‐scale fractional snow cover () as a predictor in temporal stream temperature models. The study focused on 26 catchments in the southern Coast Mountains of British Columbia, where stream temperature has been monitored for at least 3 years for the months of April through October between 2016 and 2020. Daily mean air temperature series were estimated for each location using the ECMWF Reanalysis v5 (ERA5) daily surface product. Daily time series of fractional snow cover in the catchment areas were extracted from the MODIS snow cover product. Mean fractional snow cover for June of each year was used as a predictor in models for the following July to October to represent the thermal memory associated with catchment snow cover. Statistical modelling indicated strong support for including in May, June, September and October. For May and June, was significant for catchments larger than about 10 km 2 , but there did not appear to be an area threshold for significance for September and October. Mean June snow cover as an indicator of antecedent snow conditions was a significant predictor for some locations for July and August. Further research should explore the utility of for sites with longer periods of record, and should also explore the use of alternative snow indices, such as snow cover predicted by a hydrological model.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,254
Score d'incertitude au seuil0,505

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,020
Tête enseignante GPT0,251
Écart entre enseignants0,232 · 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'étudeObservationnel
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

Citations1
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHydrological ProcessesMême sujetCryospheric studies and observationsTravaux en français237 207