Testing the SWAT Model with Gridded Weather Data of Different Spatial Resolutions
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
This study explored the influence of the spatial resolution of a gridded weather dataset when inputted in the soil and water assessment tool (SWAT) over the Garonne River watershed. Several datasets are compared: ground-based weather stations, the 8-km SAFRAN product (Système d’Analyse Fournissant des Renseignements Adaptés à la Nivologie), the 0.5° CFSR product (Climate Forecasting System Reanalysis) and several derived SAFRAN grids upscaled to 16, 32, 64 and 128 km. The SWAT model, calibrated on weather stations, was successively run with each gridded weather dataset. Performances with SAFRAN up to 64 or 128 km were poor, due to a contraction of the spatial variance of daily precipitation. Performances with 8-km SAFRAN are similar to that of the aggregated 16- and 32-km SAFRAN grids. The ~30-km CFSR product was found to perform well at some sites, while in others, its performance was considerably inferior because of grid points where precipitation was overestimated. The same problem was found in the calibration, where data at some weather stations did not appear to be representative of the subwatershed in which they are used to compute hydrology. These results suggest that the difference in the representation of the climate was more influential than its spatial resolution, an analysis that was confirmed by similar performances obtained with the SWAT model calibrated on the 16- and 32-km SAFRAN grids. However, the better performances obtained from these two weather datasets than from the ground-based stations’ dataset confirmed the advantage of using the SAFRAN product in SWAT modelling.
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 | 0,000 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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