Evaluation of Uncertainties in Input Data and Parameters of a Hydrological Model Using a Bayesian Framework: A Case Study of a Snowmelt–Precipitation-Driven Watershed
Notice bibliographique
Résumé
Abstract In this study, a Bayesian framework is proposed for investigating uncertainties in input data (i.e., temperature and precipitation) and parameters in a distributed hydrological model as well as their effects on the runoff response in the Kaidu watershed (a snowmelt–precipitation-driven watershed). In the Bayesian framework, the Soil and Water Assessment Tool (SWAT) is used for providing the basic hydrologic protocols. The Delayed Rejection Adaptive Metropolis (DRAM) algorithm is employed for the inference of uncertainties in input data and model parameters with global and local adaptive strategies. The advanced Bayesian framework can help facilitate the exploration of variation of model parameters due to input data errors, as well as propagation from uncertainties in data and parameters to model outputs in both snow-melting and nonmelting periods. A series of calibration cases corresponding to data errors under different periods are examined. Results show that 1) input data errors can affect the distributions of model parameters as well as parameters’ correlation, implying that data errors could influence the related hydrologic processes as well as their relations; 2) considering input data errors could improve the hydrologic simulation ability for peak streamflows; 3) considering errors of temperature and precipitation data as well as uncertainties of model parameters can provide the best modeling simulation performance in the snow-melting period; and 4) accounting for uncertainties in precipitation data and model parameters can provide the best modeling performance during the nonmelting period. The findings will help enhance hydrological model’s capability for simulating/predicting water resources during different seasons for snowmelt–precipitation-driven watersheds.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».