A Canadian viewpoint on data, information and uncertainty in the context of prediction in ungauged basins
Notice bibliographique
Résumé
The quality (i.e. the degree of uncertainty that results from the interpretation and analysis) of information dictates its value for decision making. There has been much progress towards improving information on the water budgets of ungauged basins by improving knowledge, tools and techniques during the Prediction in Ungauged Basins (PUB) initiative. These improvements, at least in Canada, have come through efforts in both hydrological process and statistical hydrology research. This paper is a review of some recent Canadian PUB efforts to use data to generate information and reduce uncertainty about the hydrological regimes of ungauged basins. The focus is on the Canadian context and the problems it presents, but the lessons learned are applicable to other countries with similar challenges. With a large land mass that is relatively poorly gauged, novel approaches have had to be developed to extract the most information from the available data. It can be difficult in Canada to find gauged or research basins sufficiently similar to ungauged sites of interest that contain the data required to force either statistical or deterministic models. Many statistical studies have improved information or at least an understanding of the quality of that information, of ungauged basin streamflow regimes using innovative regression-based approaches and pooled frequency analysis. Hydrological process research has reduced knowledge uncertainty, particularly in regard to cold regions processes, and this situation has led to the development of new algorithms that are reducing predictive uncertainty. There remains much to do. Current progress has created an opportunity to better integrate statistical and deterministic models via data assimilation of regionalization model estimates and those from coupled atmospheric-hydrological models. Aspects of such a modelling system could also provide more robust uncertainty analyses than traditional approaches.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,009 | 0,017 |
| Études des sciences et des technologies | 0,010 | 0,028 |
| Communication savante | 0,017 | 0,013 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,005 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».