A New Concept to Calibrate and Evaluate a Hydrological Model Based on Functional Data Analysis
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
Performance measures are widely used in hydrological modeling to provide objective evaluation of the match between simulated and observed system output (i.e. discharge). Each performance measure emphasises a particular aspect of a hydrograph, and the use of a particular performance measure on a specific metric typically means discounting one aspect at the expense of another (e.g. high flows vs low flows). This is mainly because most performance measures reflect the adequacy of simulations using one calculated value based on residuals between daily or hourly series of simulated and observed streamflows. However, it would be more practical to conserve the temporal flow variability of the entire annual hydrograph than to focus merely on flood peaks, for instance. Functional data analysis is a mathematical tool that allows the comparison of such data. In this paper, a methodology for model calibration and evaluation that considers an annual hydrograph as a single observation instead of 365 daily observations, based on functional data analysis, is proposed. The model is evaluated on its ability to reproduce the same shape and variability as the observed hydrographs. The functional statistics, defined for each time step, are used to construct the objective function for model calibration as well as for further model evaluation. A case study is presented to evaluate the hydrological CEQUEAU model on the Lac St-Jean drainage basin. The concept that we describe is general and can be used with any calibration scheme or model evaluation.
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 | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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