Analysing the Performance of Various Radar-Rain Gauge Merging Methods for Modelling the Hydrologic Response of Upper Thames River Basin, Canada
Notice bibliographique
Résumé
Accurate estimate of precipitation is of paramount importance for assessing the hydrologic response of a river basin. Weather radar data integrated with rain gauge measurements are applied to characterize the spatial feature of the storm event producing precipitation over the basin. Ordinary kriging of rain gauge data, mean field bias, Brandes spatial adjustment, conditional merging (CM), and local bias techniques are applied in this study to evaluate the performance of these radar-rain gauge merging methods for hydrologic modelling of the Upper Thames River basin (UTRb), south-western Ontario, Canada. Singularity-sensitive Bayesian merging method (SSBM) with a fine spatial resolution was also applied to retain the singularity character of the rainfall event. Rainfall–runoff simulations were carried out for three major storm events recorded in the UTRb using the HEC-HMS 4.0 hydrologic model. River flow analysis was performed for the comparison of results of HEC-RAS 4.1 hydraulic model with the observed rating curve. A novel methodology involving a dual-storage system is proposed to model three sub-basins of UTRb which displayed skewed and spiked observed runoff hydrographs. Using this dual-storage system for the three sub-basins it is found that CM and SSBM merging methods yielded optimal Nash-Sutcliffe efficiency coefficients for the prediction of runoff from these sub-basins.
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 | 0,001 |
| 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 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 ».