Classification, caractérisation et facteurs de variabilité spatiale des régimes hydrologiques naturels au Québec (Canada). Approche éco-géographique
Bibliographic record
Abstract
Nous proposons onze nouvelles variables pour classifier, caractériser et analyser les facteurs de variabilité spatiale des régimes hydrologiques des affluents du fleuve Saint-Laurent au Québec. Ces variables se rapportent exclusivement aux débits mensuels et utilisent quatre (volume d’écoulement, période d’occurrence, durée et amplitude de variabilité intra-annuelle des débits) des cinq critères proposés par Richter et al. (1996) pour caractériser écologiquement les régimes hydrologiques. L’analyse en composantes principales de ces onze variables hydrologiques a permis d’extraire trois composantes principales significatives après rotation d’axes par la méthode varimax. La première composante principale est associée aux débits saisonniers hivernaux et aux mois d’occurrence des débits mensuels maximums et minimums. La seconde composante est associée aux débits saisonniers printaniers et au rapport entre ces débits et les débits estivaux. Enfin, la dernière composante est associée au coefficient d’immodération (rapport entre les débits mensuels maximums et minimums) et aux débits mensuels minimums. La variance totale expliquée par ces trois composantes, à part presqu’égale, est d’environ 83%. Sur la base des signes de notes factorielles sur les trois composantes principales, les 72 rivières analysées ont été groupées en huit régimes hydrologiques naturels non contigus dans l’espace. Les caractéristiques de chaque régime hydrologique ont été clairement définies. Quant aux facteurs environnementaux qui influencent la variabilité spatiale des régimes hydrologiques, il est apparu que les six variables hydrologiques associées aux trois composantes principales sont principalement influencées par la température de l’air ainsi que la superficie couverte par les forêts, les lacs et les marais.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.002 | 0.008 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".