An efficient framework for hydrologic model calibration on long data periods
Notice bibliographique
Résumé
[1] Long periods of hydrologic data records have become available in many watersheds around the globe. Hydrologic model calibration on such long, full-length data periods is typically deemed the most robust approach for calibration but at larger computational costs. Determination of a representative short period as a “surrogate” of a long data period that sufficiently embeds its information content is not trivial and is a challenging research question. The representativeness of such a short period is not only a function of data characteristics but also model and calibration error function dependent. Unlike previous studies, this study goes beyond identifying the best surrogate data period to be used in model calibration and proposes an efficient framework that calibrates the hydrologic model to full-length data while running the model only on a short period for the majority of the candidate parameter sets. To this end, a mapping system is developed to approximate the model performance on the full-length data period based on the model performance for the short data period. The basic concepts and the promise of the framework are demonstrated through a computationally expensive hydrologic model case study. Three calibration approaches, namely calibration solely to a surrogate period, calibration to the full period, and calibration through the proposed framework, are evaluated and compared. Results show that within the same computational budget, the proposed framework leads to improved or equal calibration performance compared to the two conventional approaches. Results also indicate that model calibration solely to a short data period may lead to a range of performances from poor to very well depending on the representativeness of the short data period which is typically not known a priori.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».