MétaCan
Menu
Retour à la cohorte
Enregistrement W4414161158 · doi:10.1002/hyp.70199

Drivers of Historical and Future Coastal Runoff Across the Arctic and Sub‐Arctic Subregions of Alaska, <scp>USA</scp>

2025· article· en· W4414161158 sur OpenAlexaboutno aff
Christina M. Aragon, D. F. Hill, Ryan Crumley

Notice bibliographique

RevueHydrological Processes · 2025
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueClimate change and permafrost
Établissements canadiensnon disponible
Organismes subventionnairesNorth Pacific Research BoardOregon State University
Mots-clésSnowArcticSurface runoffPrecipitationClimate changeDischargeGlobal warming

Résumé

récupéré en direct d'OpenAlex

ABSTRACT This study investigates historical and future coastal runoff across the Arctic and sub‐Arctic subregions of Alaska, USA, emphasising changes in terrestrial hydrology and their implications for coastal discharge. Using the physically based SnowModel‐HydroFlow framework, historical (1991–2020) and future (2071–2100) coastal discharge climatologies were simulated, incorporating meteorological, topographic, and land cover inputs. Results reveal distinct seasonal and spatial patterns in temperature, precipitation, and snow dynamics across the Beaufort, Chukchi, Yukon, and Bristol subregions. Future projections suggest significant warming and shifts in hydrological regimes, such as increased annual precipitation and coastal discharge totals. Following a high emissions, business as usual pathway (SSP5‐8.5), coastal discharge hydrographs in the Beaufort and Yukon subregions remain snow dominated with increases in discharge in nearly all months, while Chukchi and Bristol subregions shift from snow dominated to rain dominated. These changes are linked to rising temperatures, decreasing snow precipitation fractions, and altered freezing levels, with implications for water storage, timing, and availability. This research provides insights into the drivers and consequences of hydrological changes in a rapidly warming Arctic, supporting efforts to predict and mitigate the impacts on coastal and marine ecosystems.

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)0,000
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 enseignants0,117
Score d'incertitude au seuil0,232

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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 Opus0,022
Tête enseignante GPT0,235
Écart entre enseignants0,213 · 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

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHydrological ProcessesMême sujetClimate change and permafrostTravaux en français237 207