Adaptive Blending Method of Radar-Based and Numerical Weather Prediction QPFs for Urban Flood Forecasting
Notice bibliographique
Résumé
Preparing proper disaster prevention measures is important for decreasing the casualties and property losses resulting from floods. One of the most efficient measures in this regard is real-time flood forecasting using quantitative precipitation forecasts (QPFs) based on either short-term radar-based extrapolation or longer-term numerical weather prediction. As both methods have individual advantages and limitations, in this study we developed a new real-time blending technique to improve the accuracy of rainfall forecasts for hydrological applications. We tested the hydrological applicability of six QPFs used for urban flood forecasting in Seoul, South Korea: the McGill Algorithm for Prediction Nowcasting by Lagrangian Extrapolation (MAPLE), KOrea NOwcasting System (KONOS), Spatial-scale Decomposition method (SCDM), Unified Model Local Data Assimilation and Prediction System (UM LDAPS), and Advanced Storm-scale Analysis and Prediction System (ASAPS), as well as our proposed blended approach based on the assumption that the error of the previously predicted rainfall is similar to that of current predicted rainfall. We used the harmony search algorithm to optimize real-time weights that would minimize the root mean square error between predicted and observed rainfall for a 1 h lead time at 10 min intervals. We tested these models using the Storm Water Management Model (SWMM) and Grid-based Inundation Analysis Model (GIAM) to estimate urban flood discharge and inundation using rainfall from the QPFs as input. Although the blended QPF did not always have the highest correlation coefficient, its accuracy varied less than that of the other QPFs. In addition, its simulated water depth in pipe and spatial extent were most similar to observed inundated areas, demonstrating the value of this new approach for short-term flood forecasting.
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 ».