Probabilistic Flood Forecasting Using Hydrologic Uncertainty Processor with Ensemble Weather Forecasts
Notice bibliographique
Résumé
Recent advances in the field of flood forecasting have shown increased interests in probabilistic forecasting as it provides not only the point forecast but also the assessment of associated uncertainty. Here, an investigation of a hydrologic uncertainty processor (HUP) as a postprocessor of ensemble forecasts to generate probabilistic flood forecasts is presented. The main purpose is to quantify dominant uncertainties and enhance flood forecast reliability. HUP is based on Bayes’s theorem and designed to capture hydrologic uncertainty. Ensemble forecasts are forced by ensemble weather forecasts from the Global Ensemble Prediction System (GEPS) that are inherently uncertain, and the input uncertainty propagates through the model chain and integrates with hydrologic uncertainty in HUP. The bias of GEPS was removed using multivariate bias correction, and several scenarios were developed by different combinations of GEPS with HUP. The performance of different forecast horizons for these scenarios was compared using multifaceted evaluation metrics. Results show that HUP is able to improve the performance for both short- and medium-range forecasts; the improvement is significant for short lead times and becomes less obvious with increasing lead time. Overall, the performances for short-range forecasts when using HUP are promising, and the most satisfactory result for the short range is obtained by applying bias correction to each ensemble member plus applying the HUP postprocessor.
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) | 0,001 | 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) | 0,001 | 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 ».