Find research datasets worth reusing
Search datasets from major research repositories and use ShareScore to quickly assess how well each record supports discovery, access, and reuse.
3
datasets available to search
ShareScore release 0.9.0
Dataset results
3 results for “runoff characteristics”
Prediction of runoff characteristics in ungauged basins in Central Europe with machine learning – files
<p><em><strong>English</strong></em></p> <p>This are the shapefiles accompanying the paper: Klingler et al. (2022), Prediction of runoff characteristics in ungauged basins with machine learning, published in the journal Österreichische Wasser- und Abfallwirtschaft: <a href="https://doi.org/10.1007/s00506-022-00891-4">https://doi.org/10.1007/s00506-022-00891-4</a></p> <p>The basic idea was to train a machine learning model with observed runoff characteristics of the hydrological years 2003 - 2017 (LamaH_observations, 859 features) and 90 different catchment characteristics to be able to predict runoff characteristics in unobserved catchments (OWK_predictions, 9533 features).</p> <p>We provide two shapefiles to download:<br> <strong>1) LamaH_observations</strong>, which contains attributes for 6 different runoff characteristics calculated from observed runoff timeseries from the LamaH-CE dataset (https://doi.org/10.5194/essd-13-4529-2021).<br> <strong>2)</strong> <strong>OWK_predictions</strong>, which includes additionally to the predicted 6 runoff characteristics also attributes for uncertainty quantification.<br> All attributes of the shapefiles are described in the associated metadata (.qmd files).</p> <p><strong>Disclaimer:</strong> We have created the shapefiles with care and checked the outputs for plausibility. By downloading the data, you agree that we nor the provider of the used source datasets (e.g. observed runoff time series) cannot be liable for the data provided.</p> <p><strong>License:</strong> This work is licensed with CC BY-SA 4.0 (https://creativecommons.org/licenses/by-sa/4.0/). This means that you may freely use and modify the data (even for commercial purposes). But you have to give appropriate credit (associated ÖWAV paper, version of dataset), indicate if and what changes were made and distribute your work under the same public license as the original.</p> <p><strong>Contact:</strong> If you find any errors in the dataset or have any further questions, feel free to send us an email: info@baseflow.ai</p> <p>-------------</p> <p><strong><em>Deutsch</em></strong></p> <p>Dies sind die beiden Shapefiles, welche dem folgenden Fachartikel zugehörig sind: Klingler et al. (2022), Vorhersage von hydrologischen Abflusskennwerten in unbeobachteten Einzugsgebieten mit Machine Learning, veröffentlicht im Journal Österreichische Wasser- und Abfallwirtschaft: <a href="https://doi.org/10.1007/s00506-022-00891-4">https://doi.org/10.1007/s00506-022-00891-4</a></p> <p>Der Ansatz hinter dieser Arbeit war ein Machine Learning Modell mit beobachteten Abflusskennwerten der hydrologischen Jahre 2003 - 2017 (LamaH_observations, 859 Features) und 90 verschiedenen Einzugsgebietseigenschaften zu trainieren, um anschließend diese Abflusskennwerte in unbeobachteten Einzugsgebieten vorherzusagen (OWK_predictions, 9533 Features).</p> <p>Wir bieten zwei Shapefiles zum Download an:<br> <strong>1)</strong> <strong>LamaH_observations</strong>, welche Attribute für 6 verschiedene Abflusskennwerten (MJHQ, MQ, MJNQ, MJNQ7, Q95, Q98) enthält, die aus beobachteten Abflusszeitreihen aus dem LamaH-CE-Datensatz berechnet wurden (https://doi.org/10.5194/essd-13-4529-2021).<br> <strong>2)</strong> <strong>OWK_predictions</strong>, welche zusätzlich zu den vorhergesagten 6 Abflusskennwerten auch Attribute zur Quantifizierung der Unsicherheit enthält.<br> Alle Attribute der Shapefiles sind in den zugehörigen Metadaten (.qmd-Dateien) beschrieben.</p> <p><strong>Haftungsausschluss:</strong> Wir haben die Shapefiles mit Sorgfalt erstellt und die Ergebnisse auf Plausibilität geprüft. Mit dem Herunterladen der Daten erklären Sie sich damit einverstanden, dass weder wir noch der Anbieter der verwendeten Quelldatensätze (zB. beobachtete Abflusszeitreihen) für die bereitgestellten Daten haften.</p> <p><strong>Lizenz:</strong> Diese Arbeit ist lizenziert mit CC BY-SA 4.0 (https://creativecommons.org/licenses/by-sa/4.0/). Dies bedeutet, dass Sie die Daten frei verwenden und verändern dürfen (auch für kommerzielle Zwecke). Sie müssen jedoch eine entsprechende Quellenangabe machen (zugehöriger ÖWAV-Artikel, Version des Datensatzes), angeben ob und welche Änderungen vorgenommen wurden, und Ihre Arbeit unter der gleichen Lizenz wie das Original veröffentlichen.</p> <p><strong>Kontakt:</strong> Wenn Sie Fehler im Datensatz finden oder weitere Fragen haben, können Sie uns gerne eine E-Mail schicken: info@baseflow.ai</p>
Рис. 3. Ливневый сток, прохоΔящий через территорию муниципаΛьного пΛяжа «Маяк» (фото авторов) Fig. 3. Stormwater runoff passing through the territory of "Mayak" municipal beach (photo by the authors) in Morphometric characteristics of Black Sea mussels Mytilus galloprovincialis Lam. as biomarkers of the anthropogenic impact on the Black Sea coastal biocenoses in tourist destinations
Рис. 3. Ливневый сток, прохоΔящий через территорию муниципаΛьного пΛяжа «Маяк» (фото авторов) Fig. 3. Stormwater runoff passing through the territory of "Mayak" municipal beach (photo by the authors)
Supplement to "Hydro-Meteorological Drivers of Event Runoff Characteristics Under Analogous Soil Moisture Patterns in Three Small-Scale Headwater Catchments"
<p>The dataset is a supplement to the manuscript "Hydro-Meteorological Drivers of Event Runoff Characteristics Under Analogous Soil Moisture Patterns in Three Small-Scale Headwater Catchments" and contains the processed time series data of the Wüstebach, Rollesbroich, and Petzenkirchen catchments. Hydro-metorological variables include precipitation, runoff, soil moisture, and groundwater level.</p>
ScienceDex guides
Understand access before you commit
These curated guides explain access requirements, typical timelines, costs, and reuse considerations for widely used research datasets.
Allen Brain Atlas
Allen Brain Atlas is an Allen Institute collection of brain map atlases, datasets, APIs, and analysis tools covering mouse, human, and non-human primate brain resources.
Annotated Behaviour and Observability Dataset (ABODe)
ABODe is a University of Edinburgh DataShare dataset for behavior classification in group-housed mice using home-cage video, identities, bounding boxes, ground-plate positions, and annotator labels.
DANDI Archive for NWB datasets
DANDI is a BRAIN Initiative archive for publishing and sharing neurophysiology data, including electrophysiology, optophysiology, and behavioral data packaged as NWB and related standards.
International Brain Laboratory public data
The International Brain Laboratory public data releases expose standardized mouse decision-making experiments, including Neuropixels recordings, widefield calcium imaging, behavior, and session metadata accessed through the ONE API.
OpenNeuro
OpenNeuro is a free, open platform for sharing neuroimaging datasets, with public search, dataset pages, and download paths for web, S3, DataLad, and the OpenNeuro CLI.