Integrating different types of information into hydrological model parameter estimation: Application to ungauged catchments and land use scenario analysis
Notice bibliographique
Résumé
In hydrological modeling, two areas of application present particular challenges, first the modeling of ungauged catchments, and second the modeling of catchment nonstationarity; for example due to effects of land use change. The ungauged catchment problem requires that prior knowledge of the catchment is combined with evidence of behavior; for example from a regionalization exercise and/or spot flow measurements. Simulation of the effects of land use change requires that prior knowledge of the catchment is combined with information on the effects of that change on model parameters, generally in the absence of direct observations with which to condition the parameters. In both cases, ideally, all available sources of information about the behavior should be considered, and integrated in a way that maximizes the value of the information for model identification and uncertainty estimation. Using a formal Bayesian procedure, we combine three different sources of knowledge into a catchment scale conceptual model: (1) small‐scale physical properties; (2) regionalized signatures of flow; and (3) available flow measurements. Applying the methodology to a distributed model for the Hodder catchment, UK, the physics‐based information source contributed most to improving model performance, followed by peak flow times, and lastly the regionalized signatures. The flood frequency curve was evaluated under scenarios of land use change, and those changes that were significant relative to model uncertainty were identified.
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 | 0,001 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».