A Strategy for Managing Deficiencies of SWMM Modeling for Large Undeveloped Semi-Arid Watersheds
Notice bibliographique
Résumé
oFor this study, the aim was twofold: to determine whether sufficient data is freely available on the internet for input to an open source hydrological model whose purpose is streamflow management; and, if so, to suggest a methodology whereby any deficiencies may be managed.Chosen for study was the C83A quaternary catchment (746 km 2 ) in the Northern Free State, part of the Vaal primary catchment in South Africa.Because the catchment has a response time of ~13 h, sub-daily calculation steps are required in the hydrological model.Data readily available on the internet were: catchment boundaries, river lines, a digital elevation model, soil texture, land use, evaporation rates, flow rates and rainfall estimates from the Tropical Rainfall Measurement Mission (TRMM) 3B42 data product (satellite rain).After determining the requirements for the model and evaluating a number of models, the USEPA Storm Water Management Model (SWMM) was chosen.Only 2 y observed rain and runoff were suitable for analysis.Coarseness of the available input data necessitated a coarser model than is the norm for SWMM.Nevertheless, the calibrated model performed well overall, having Nash-Sutcliffe (N-S) correlations of 0.80 and 0.73 for the calibration and evaluation periods respectively.A systematic methodology is proposed for simultaneously increasing model complexity while reducing model error.Denoted UCTPCSW-MMC83A.1, the derived model-and-data system performed best during dry
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».