Application of ENSO and Drought Indices for Water Level Reconstruction and Prediction: A Case Study in the Lower Mekong River Estuary
Notice bibliographique
Résumé
Water level monitoring is important for understanding the global hydrological cycle. Remotely-sensed indices that capture localized instantaneous responses have been extensively explored for water level reconstruction during the past two decades. However, the potential usage of the Palmer’s Drought Severity Index (PDSI) and El Niño Southern Oscillation (ENSO) indices for water level reconstruction and prediction has not been explored. This paper examines the relationship between observed water level and PDSI based on a soil-moisture water balance model and three ENSO indices for the lower Mekong River estuary on a monthly temporal scale. We found that the time-lagged information between the standardized water level and the ENSO indices that enabled us to reconstruct the water level using the ENSO indices. The influence of strong ENSO events on the water level can help capture the hydrological extremes during the period. As a result, PDSI-based water level reconstruction can be further improved with the assistance of ENSO information (called ENSO-assisted PDSI) during ENSO events. The water level reconstructed from the PDSI and ENSO indices (and that of remote sensing) compared to observed water level shows a correlation coefficient of around 0.95 (and <0.90), with an RMS error ranging from 0.23 to 0.42 m (and 0.40 to 0.79 m) and an NSE around 0.90 (and <0.81), respectively. An external assessment also displayed similar results. This indicates that the usage of ENSO information could lead to a potential improvement in water level reconstruction and prediction for river basins affected by the ENSO phenomenon and hydrological extremes.
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 | 0,000 | 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 | 0,000 |
| 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 ».