Can Precipitation and Temperature from Meteorological Reanalyses Be Used for Hydrological Modeling?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract This paper investigates the potential of reanalyses as proxies of observed surface precipitation and temperature to force hydrological models. Three global atmospheric reanalyses (ERA-Interim, CFSR, and MERRA), one regional reanalysis (NARR), and one global meteorological forcing dataset obtained by bias-correcting ERA-Interim [Water and Global Change (WATCH) Forcing Data ERA-Interim (WFDEI)] were compared to one gridded observation database over the contiguous United States. Results showed that all temperature datasets were similar to the gridded observation over most of the United States. On the other hand, precipitation from all three global reanalyses was biased, especially in summer and winter in the southeastern United States. The regional reanalysis precipitation was closer to observations since it indirectly assimilates surface precipitation. The WFDEI dataset was generally less biased than the reanalysis datasets. All datasets were then used to force a global conceptual hydrological model on 370 watersheds of the Model Parameter Estimation Experiment (MOPEX) database. River flows were computed for each watershed, and results showed that the flows simulated using NARR and gridded observations forcings were very similar to the observed flows. The simulated flows forced by the global reanalysis datasets were also similar to the observations, except in the humid continental and subtropical climatic regions, where precipitation seasonality biases degraded river flow simulations. The WFDEI dataset led to better river flows than reanalysis in the humid continental and subtropical climatic regions but was no better than reanalysis—and sometimes worse—in other climatic zones. Overall, the results indicate that global reanalyses have good potential to be used as proxies to observations to force hydrological models, especially in regions with few weather stations.
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.
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 | 0,000 |
| 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 découle