Rainfall Accuracy Considerations Using Radar and Rain Gauge Networks for Rainfall-Runoff Monitoring
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Components of urban drainage during wet weather affecting water quality in receiving waters are stormwater and overflows from sanitary or combined sewers. A common element affecting each of these components is the spatial distribution of rainfall over contributing areas. Knowing quantities of stormwater arriving at inlets, infiltrating into sanitary sewers, and the inflow into combined sewers is critical to successful hydraulic model calibration and sewer system design. Accuracy and representativeness of the spatial and temporal distribution of rainfall over contributing areas is an important determinant of model accuracy. It is not always feasible to install sufficient rain gauges to measure spatially representative rainfall over a metropolitan sewer district at the scale of sewersheds. Nor is it feasible to install streamflow monitoring stations or sample priority pollutants in every impacted watershed. Thus the combination of radar and rain gauges to characterize the distribution of rainfall offers technical advantages for monitoring both rainfall and runoff in urban areas. Evaluation of a 55-event series, the median accuracy, as measured by gauge-radar comparison, has a median average difference of 8%. Gauge network density requirements should take into account the variability of precipitation, distribution over sewershed areas, and local or climatological trends caused by terrain or large water bodies. Runoff measured by streamflow is used to validate the radar to gauge correction and to test the influence of random and systematic error in the radar input. Because simulated runoff is dependent on the rainfall input
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.
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 | 0,001 |
| 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 découle