Characterising catchment water storage under different land covers using multiple methods: Informing modelling and natural flood management
Notice bibliographique
Résumé
<!--!introduction!--><b></b> A key assumption of `natural flood management’ (NFM) and catchment restoration schemes is that land use is a major control of runoff. To assess the effectiveness of these schemes requires understanding of the influence of land use change on catchment water storage and mixing. However, few NFM schemes are resourced to also investigate the underpinning hydrological processes. This study combined hydrometric, isotopic and geochemical water properties to investigate land cover controls on catchment runoff and water storage in nine nested catchments within a 67 km<sup>2</sup> managed upland catchment in southern Scotland, UK. Forest cover in the sub-catchments ranged from 0.5 to 94%. Sub-catchment dynamic storage characterised from hydrometric data using recession analysis was low but variable (16–200 mm). Mean transit times estimated from isotopic data were 134–370 days and groundwater fractions estimated from end member mixing analysis based on acid neutralising capacity (ANC) were 0.20–0.52 of annual stream runoff. Correlation of measures of catchment water storage and mixing with land cover, topographic, soil and geological catchment attributes showed significant positive correlations with soil hydraulic properties, whilst percentage forest cover was inversely correlated. The results highlight the importance of understanding dominant controls on water storage in target catchments when using tree planting as a flood management strategy. The isotopic and ANC data are also being integrated into hydrological modelling of the catchment to constrain the number of potential models and reduce model equifinality.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».