Separating Wet and Dry Years to Improve Calibration of SWAT in Barrett Watershed, Southern California
Notice bibliographique
Résumé
Hydrological models often perform poorly in simulating dry years in regions with large inter-annual variability in rainfall. We calibrated the Soil and Water Assessment Tool (SWAT) model to dry and wet years separately, using the semi-arid Barrett watershed on the west coast of USA as an example. We used hydrological and meteorological data from 1980–2010 to calibrate the SWAT model parameters, compared the monthly runoff results simulated by SWAT using a traditional calibration for the entire runoff series with results using a calibration with the wet and dry year series, and analyzed differences in the most sensitive parameters between the wet and dry year series. The results showed that (1) the SWAT model calibrated to the entire runoff series produced significant differences in simulation efficiency between the wet years and dry years, with lower efficiency during the dry years; (2) the calibration with separate wet and dry years greatly enhanced the SWAT model’s simulation efficiency for both wet and dry years; (3) differences in hydrological conditions between wet and dry years were represented by changes in the values of the six most sensitive parameters, including baseflow recession rates, channel infiltration rates, Soil Conservation Service (SCS) curve number, soil evaporation, shallow aquifer flow, and soil water holding capacity. Future work can attempt to determine the physical processes that underlie these parameter changes and their impact on the hydrological response of the semi-arid 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.
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 | 0,001 |
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 ».