Hydrological modelling using proxies for gauged precipitation and temperature
Notice bibliographique
Résumé
Abstract Precipitation and temperature time series suffer from many problems, such as short time, inadequate spatial coverage, missing data, and biases from various causes, which are particularly critical in remote areas such as Northern Canada. The development of alternative datasets for using as proxies for inadequate/missing weather data represents a key research area. In this paper, the performance of 6 alternative datasets is evaluated for hydrological modelling over 12 watersheds located across Canada and the contiguous United States. The datasets can be classified into 3 distinct categories: (a) interpolated gridded data, (b) reanalysis data, and (c) climate model outputs. Hydrological simulations were carried out using a lumped conceptual hydrological model calibrated using standard weather data and compared against results using a calibration specific to each alternative dataset. Prior to the hydrological simulations, the alternative datasets were all evaluated with respect to their ability to reproduce gridded daily precipitation and temperature characteristics over North America. The results show that both the reanalysis data and climate model data adequately represent the spatial pattern of daily precipitation and temperature over North America. The North American Regional Reanalysis (NARR) dataset consistently shows the best performance. With respect to hydrological modelling, the observed discharges are accurately represented by both the gridded and NARR datasets, and more so for the NARR data. The National Centers for Environmental Prediction dataset consistently performs worst as it is unable to even capture the seasonal pattern of observed streamflow for 3 out of the 12 watersheds. These results indicate that the NARR dataset could be used as a proxy for gauged precipitation and temperature for hydrological modelling over watersheds where observational datasets are deficient. The results also illustrate the ability of climate model data to be used for performing hydrological modelling when driven by reanalysis data at their boundaries, and especially so for high‐resolution models.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».