''Let It Rain'' — Gage-Adjusted Radar Rainfall (GARR) Data for Peachtree Creek Sewer Basin Modeling
Notice bibliographique
Résumé
Sewer hydraulic models are developed to reveal and simulate problem areas in sewer system networks. During model development precipitation input data, typically from rain gages, are applied and system parameters are adjusted until the calibrated model output matches the collected system flow meter data. The calibrated model is later used to evaluate problem areas and identify solutions to the system's deficiencies in order to comply with regulatory requirements, which are met by eliminating surcharge and overflow locations within the sewer system. The study compared the hydraulic models that were developed using a GARR dataset, and a dataset consisting of rain gages only. Both datasets used information from 30 "tipping-bucket" rain gages from March 2001. The GARR analysis incorporated NEXRAD radar data on a 2 x 2 km grid, with a 15-minute sample rate. Correlations between the two precipitation measurement systems were strong. Rainfall timing was well matched. Incorporating the gage volumes resulted in lowering the radar rainfall estimated by 20%. The sewer hydraulic modeling results showed that the Flow (Q), Velocity (V) and Depth (d) response to the flow meter data matched more closely when GARR data is used as compared to the conventional rain gage data.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».