MétaCan
Menu
← Retour à la cohorte
Enregistrement W6958482668 · doi:10.6084/m9.figshare.27936250

Hydrometric data discretization into environmental flow components: a new, practical approach to explore concentration-discharge relationships

2024· article· en· W6958482668 sur OpenAlexaboutno aff

Notice bibliographique

RevueFigshare · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSoil and Water Nutrient Dynamics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésWatershedStreamflowWater qualityHydrology (agriculture)Watershed areaSTREAMSBaseflowFlow (mathematics)

Résumé

récupéré en direct d'OpenAlex

The intricate dynamics of streamflow and water quality are often explored through the lens of concentration-discharge (C-Q) relationships. Interpreting C-Q relationships and using mathematical models to explain them can, however, be challenging due to hysteresis effects, low-frequency data, or noisy data. To address these challenges, this study introduces a noise-filtering approach by aggregating discrete data collected over several years into bins corresponding to distinct environmental flow components (EFCs). Covering a spectrum from extreme low flows to small and large floods, this method simplifies C-Q analysis by focusing on watershed hydrochemical responses to varying flow conditions. The objectives of the study were to explore the variability of stream water quality across a gradient of EFCs, categorize watersheds based on their median dominant export behaviour type (e.g. dilution, mobilization, chemostatic), and evaluate the predictability of export behaviour type from watershed characteristics. The study relied on 30 watersheds located in Québec, Canada, ranging in size from 11 to 2610 km2, with daily streamflow data and at least monthly water quality data spanning at least two years over the 1989-2020 period. EFC-specific summary statistics for dissolved organic carbon (DOC), total nitrogen (TN), and total phosphorus (TP) concentrations were computed and used to assess C-Q relationships and classify the general tendencies of watershed export behaviour. Results reveal nuances in watershed export behaviour depending on the specific water quality parameter and flow components assessed. Some differences in watershed hydrobiogeochemical behaviours could be explained by differences in watershed physiographic characteristics. The EFC-based approach to C-Q analysis provides watershed scientists and managers with a simple and comprehensive tool to utilize existing data, enabling a deeper understanding of watershed nutrient export dynamics. Les dynamiques de la qualité de l’eau et du débit des cours d’eau sont souvent explorées à travers les relations concentration‑débit (C‑D). Cependant, l’interprétation des relations C‑D et l’utilisation de modèles mathématiques pour les expliquer peuvent être complexes en raison des effets d’hystérésis, des données à faible fréquence ou des données bruitées. Pour relever ces défis, cette étude introduit une approche de filtrage du bruit en agrégeant des données discrètes collectées sur plusieurs années dans des compartiments correspondant à des composantes distinctes des flux environnementaux (CFE). En couvrant un spectre allant des débits extrêmement faibles aux petites et grandes crues, cette méthode simplifie l’analyse C‑D en se concentrant sur les réponses hydrochimiques des bassins versants à des conditions d’écoulement variables. Les objectifs de l’étude étaient d’explorer la variabilité de la qualité de l’eau des cours d’eau selon un gradient de CFE, de catégoriser les bassins versants en fonction de leur type de comportement dominant d’exportation médian (par exemple, dilution, mobilisation, chimio‑statique) et d’évaluer la prévisibilité du type de comportement d’exportation à partir des caractéristiques des bassins versants. L’étude s’est appuyée sur 30 bassins versants situés au Québec, Canada, dont la superficie varie entre 11 et 2 610 km2, avec des données quotidiennes sur le débit et au moins des données mensuelles sur la qualité de l’eau couvrant au moins deux ans entre 1989 et 2020. Des statistiques récapitulatives spécifiques aux CFE pour les concentrations de carbone organique dissous (COD), d’azote total (TN) et de phosphore total (TP) ont été calculées et utilisées pour évaluer les relations C‑D et classifier les tendances générales des comportements d’exportation des bassins versants. Les résultats révèlent des nuances dans les comportements d’exportation des bassins versants en fonction des paramètres spécifiques de qualité de l’eau et des composantes de débit évaluées. Certaines différences dans les comportements hydrobiogéochimiques des bassins versants pourraient être expliquées par des différences dans leurs caractéristiques physiographiques. L’approche de l’analyse C‑D basée sur les CFE offre aux scientifiques et aux gestionnaires des bassins versants un outil simple et complet pour exploiter les données existantes, leur permettant de mieux comprendre la dynamique des exportations de nutriments dans les bassins versants. A simple noise-filtering approach using low-frequency data to help watershed managers classify nutrient export behavior based on key river flow ranges was proposed.The predictability of export behavior from watershed characteristics was evaluated and could be useful for policy makers to inform targeted watershed best management practices.The newly suggested noise-filtering approach allows nutrient export dynamics to be assessed in management settings with limited data and could be applied in regions where extensive monitoring networks are not available. A simple noise-filtering approach using low-frequency data to help watershed managers classify nutrient export behavior based on key river flow ranges was proposed. The predictability of export behavior from watershed characteristics was evaluated and could be useful for policy makers to inform targeted watershed best management practices. The newly suggested noise-filtering approach allows nutrient export dynamics to be assessed in management settings with limited data and could be applied in regions where extensive monitoring networks are not available.

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)0,003
score de la tête « metaresearch » (Gemma)0,014
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,021

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,014
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,005
Études des sciences et des technologies0,0000,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
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 Opus0,145
Tête enseignante GPT0,291
Écart entre enseignants0,146 · 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'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

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
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFigshare→Même sujetSoil and Water Nutrient Dynamics→Travaux en français237 207→