Conditioning a Hydrologic Model Using Patterns of Remotely Sensed Land Surface Temperature
Notice bibliographique
Résumé
Abstract Hydrologic models are usually calibrated using observed river runoff at catchment outlets. Streamflow, however, represents an integral response of the entire catchment and is observed at a few locations worldwide. Parameter estimation based on streamflow has the disadvantage that it does not consider the spatiotemporal variability of hydrologic states and fluxes such as evapotranspiration. Remotely sensed data, in contrast, include these variabilities and are broadly available. In this study, we assess the predictive skill of satellite‐derived land surface temperature (Ts) with respect to river runoff (Q). We developed a bias‐insensitive pattern‐matching criterion to focus the parameter optimization on spatial patterns of Ts. The proposed method is extensively tested in six distinct large German river basins and cross validated in 222 additional basins in Germany. We conclude that land surface temperature calibration outperforms random drawn parameter sets, which could be meaningful for calibrating hydrologic models in ungauged locations. A combined calibration with Q and Ts reduces the root mean squared error in the predicted evapotranspiration by 8% compared to flux tower observations but reduces the NSEs of the streamflow predictions by 6% on average for the six large basins. Our results show that patterns of Ts better constrain model parameters when considered in a calibration next to Q, which finally reduces parametric uncertainty.
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 | 0,001 | 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 | 0,001 | 0,001 |
| 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 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 ».