Comparison of climate datasets for lumped hydrological modeling over the continental United States
Notice bibliographique
Résumé
Climate data measured by weather stations are crucially important and regularly used in hydrologic modeling. However, they are not always available due to the low spatial density and short record history of many station networks. To overcome these limitations, gridded datasets have become increasingly available. They have excellent continuous spatial coverage and no missing data. However, these datasets are usually interpolated using station data, with little new information besides elevation. Furthermore, minimal validation has been done on most of these datasets. This study compares three such datasets covering the continental United States to evaluate their differences and their impact on lumped hydrological modeling. Three daily time step gridded datasets with resolutions varying between 0.25° and 1 km were used in this study – Santa-Clara, Daymet and CPC. The hydrological modeling evaluation of these datasets was performed over 424 basins from the MOPEX database. Results show that there are significant differences between the datasets, even though they were essentially all interpolated from almost the same climate databases. Despite those differences, the hydrological model used in this study was able to perform equally well after a specific calibration to each dataset. While there were a few exceptions, by and large, Nash–Sutcliffe efficiency metrics obtained in validation were not statistically different from one database to the other for most basins. It appears that there are no reasons to favor one dataset versus another for lumped hydrological modeling, and that these datasets perform just as well as using the original station 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 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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».