Semi‐distributed modelling of basin hydrology with radar and gauged precipitation
Notice bibliographique
Résumé
Abstract Even though gauged rainfall data generally provide accurate depth measurements, sparsely spaced, gauging stations cannot effectively account for the spatial variability of precipitation at basin scale. On the other hand, radar data such as the WSR‐88D stage III radar rainfall data can generally capture the spatial variability of rainfall fields, but tends to underestimate rainfall depth of stratiform storms, or both convective and stratiform storms if a storm is of low intensity. To take advantage of both the strength of radar data (mapping accurate spatial variability of rainfall) and that of gauge data (accurate depth measurements), the two data sets were merged together by the Statistical Objective Analysis (SOA) scheme. The event‐based hydrologic experiments using a semi‐distributed, physics‐based hydrologic model (distributed physically based hydrologic model using remote sensing, DPHM‐RS) revealed that WSR‐88D Stage III radar rainfall data simulated more accurate runoff hydrographs than gauged data for convective storms but less accurate runoff hydrograph for stratiform storms, because radars measured slightly more rainfall than gauges for convective storms, but substantially less rainfall for stratiform storms. However, after merging WSR‐88D stage III radar data with gauge data by SOA, the radar's underestimation of stratiform storm depth decreased substantially, but the adjustment could be counter productive for convective storms. Results show that rainfall spatial variability, depths, and hydrologic model resolution play a major role on the accuracy of simulated runoff volumes and peak flows. Copyright © 2006 John Wiley & Sons, Ltd.
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 | 0,000 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».