Continuous streamflow prediction in ungauged basins: The effects of equifinality and parameter set selection on uncertainty in regionalization approaches
Notice bibliographique
Résumé
Abstract This paper focuses on evaluating the uncertainty of three common regionalization methods for predicting continuous streamflow in ungauged basins. A set of 268 basins covering 1.6 million km 2 in the province of Quebec was used to test the regionalization strategies. The multiple linear regression, spatial proximity, and physical similarity approaches were evaluated on the catchments using a leave‐one‐out cross‐validation scheme. The lumped conceptual HSAMI hydrological model was used throughout the study. A bootstrapping method was chosen to further estimate uncertainty due to parameter set selection for each of the parameter set/regionalization method pairs. Results show that parameter set selection can play an important role in regionalization method performance depending on the regionalization methods (and their variants) used and that equifinality does not contribute significantly to the overall uncertainty witnessed throughout the regionalization methods applications. Regression methods fail to consistently assign behavioral parameter sets to the pseudoungauged basins (i.e., the ones left out). Spatial proximity and physical similarity score better, the latter being the best. It is also shown that combining either physical similarity or spatial proximity with the multiple linear regression method can lead to an even more successful prediction rate. However, even the best methods were shown to be unreliable to an extent, as successful prediction rates never surpass 75%. Finally, this paper shows that the selection of catchment descriptors is crucial to the regionalization strategies' performance and that for the HSAMI model, the optimal number of donor catchments for transferred parameter sets lies between four and seven.
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 | 0,017 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».