Application of HEC-HMS in a Cold Region Watershed and Use of RADARSAT-2 Soil Moisture in Initializing the Model
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 paper presents an assessment of the applicability of using RADARSAT-2-derived soil moisture data in the Hydrologic Modelling System developed by the Hydrologic Engineering Center (HEC-HMS) for flood forecasting with a case study in the Sturgeon Creek watershed in Manitoba, Canada. Spring flooding in Manitoba is generally influenced by both winter precipitation and soil moisture conditions in the fall of the previous year. As a result, the soil moisture accounting (SMA) and the temperature index algorithms are employed in the simulation. Results from event and continuous simulations of HEC-HMS show that the model is suitable for flood forecasting in Manitoba. Soil moisture data from the Manitoba Agriculture field survey and RADARSAT-2 satellite were used to set the initial soil moisture for the event simulations. The results confirm the benefit of using satellite data in capturing peak flows in a snowmelt event. A sensitivity analysis of SMA parameters, such as soil storage, maximum infiltration, soil percolation, maximum canopy storage and tension storage, was performed and ranked to determine which parameters have a significant impact on the performance of the model. The results show that the soil moisture storage was the most sensitive parameter. The sensitivity analysis of initial soil moisture in a snowmelt event shows that cumulative flow and peak flow are highly influenced by the initial soil moisture setting of the model. Therefore, there is a potential to utilize RADARSAT-2-derived soil moisture for hydrological modelling in other snow-dominated Manitoba 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.
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 | 0,000 | 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 découle