Distributed urban storm water modeling within GIS integrating analytical probabilistic hydrologic models and remote sensing image analyses
Notice bibliographique
Résumé
Analytical probabilistic hydrologic models (APMs) are computationally efficient producing validated storm water outputs comparable to continuous simulation for storm water planning level analyses. To date, APMs have been run as spatially lumped or semi-distributed models relying upon calibrated and spatially averaged system state variable inputs/parameters limiting model system representation and ultimately impacting model uncertainty. Here, APMs are integrated within Geographic Information Systems (GIS) and remote sensing image analyses (RSIA) deriving a planning-level distributed model under refined model system representation. The hypothesis is refinements alone, foregoing model calibration, will produce trial average annual storm water runoff volume estimates comparable to former research estimates (employing calibration) demonstrating the benefits of improved APM system representation and detail. To test the hypothesis three key system state variables – sewershed area, runoff coefficients and depression storage – are digitally extracted in GIS and RSIA through: automated delineation upon a digitally inscribed digital elevation model; unsupervised classification of an orthophotograph; and a slope-based expression, respectively. The parameters are spatially-distributed as continuous raster data layers and integrated with an APM. Spatially-distributed trial runoff volumes are within a range of 4–29% of earlier lumped/semi-distributed research estimates validating the hypothesis that further detail and physically-explicit representations of model systems improve simulation results.
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 | 0,009 | 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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 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 ».