Testing the ability of a semidistributed hydrological model to simulate contributing area
Notice bibliographique
Résumé
Abstract A dry climate, the prevalence of small depressions, and the lack of a well‐developed drainage network are characteristics of environments with extremely variable contributing areas to runoff. These types of regions arguably present the greatest challenge to properly understanding catchment streamflow generation processes. Previous studies have shown that contributing area dynamics are important for streamflow response, but the nature of the relationship between the two is not typically understood. Furthermore, it is not often tested how well hydrological models simulate contributing area. In this study, the ability of a semidistributed hydrological model, the PDMROF configuration of Environment Canada's MESH model, was tested to determine if it could simulate contributing area. The study focused on the St. Denis Creek watershed in central Saskatchewan, Canada, which with its considerable topographic depressions, exhibits wide variation in contributing area, making it ideal for this type of investigation. MESH‐PDMROF was able to replicate contributing area derived independently from satellite imagery. Daily model simulations revealed a hysteretic relationship between contributing area and streamflow not apparent from the less frequent remote sensing observations. This exercise revealed that contributing area extent can be simulated by a semi‐distributed hydrological model with a scheme that assumes storage capacity distribution can be represented with a probability function. However, further investigation is needed to determine if it can adequately represent the complex relationship between streamflow and contributing area that is such a key signature of catchment behavior.
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 | 0,004 | 0,001 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».