Ensemble Kalman filter data assimilation for a process‐based catchment scale model of surface and subsurface flow
Notice bibliographique
Résumé
A sequential data assimilation procedure based on the ensemble Kalman filter (EnKF) is introduced and tested for a process‐based numerical model of coupled surface and subsurface flow. The model is based on the three‐dimensional Richards equation for variably saturated porous media and a diffusion wave approximation for overland and channel flow. A one‐dimensional soil column experiment and a three‐dimensional tilted v‐catchment test case are presented. A preliminary analysis of the assimilation scheme is undertaken for the one‐dimensional test case in order to validate the implementation by comparison with published results and to assess the influence of various factors on the filter's performance. The numerical results suggest robustness with respect to the ensemble size and provide useful information for the more complex tilted v‐catchment test case. The assimilation frequency and the effects induced by data assimilation on the surface and/or subsurface system states are then evaluated for the v‐catchment experiment using synthetic observations of pressure head and streamflow. The results suggest that streamflow prediction can be improved by assimilation of pressure head and streamflow, either individually or in tandem, whereas assimilation of streamflow data alone does not improve the subsurface system state. In terms of the global system state, i.e., surface and subsurface variables, frequent updates are especially beneficial when assimilating both pressure head and streamflow. Furthermore, it is shown that better evaluation of the subsurface volume resulting from assimilation of head data is crucial for improving subsequent surface response.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».