Comparing Meteorological Data Sets in the Evaluation of Climate Change Impact on Hydrological Indicators: A Case Study on a Mexican Basin
Notice bibliographique
Résumé
This study evaluates the choice of the meteorological data set in the simulation of the streamflow of a Mexican basin, in the bias correction of climate simulations, and in the climate change impact on hydrological indicators. The selected meteorological data sets come from stations, two interpolated data sets and one reanalysis data set. The climate simulations were taken from the five-member ensemble from the second generation Canadian Earth System Model (CanESM2) under two representative concentration pathways (RCPs), for a reference period (1981–2000) and two future periods (2041–2060 and 2081–2100). The selected lumped hydrological model is GR4J, which is a daily lumped four-parameter rainfall-runoff model. Firstly, the results show that GR4J can be calibrated and validated with the meteorological data sets to simulate daily streamflow; however, the hydrological model leads to different hydrological responses for the basin. Secondly, the bias correction procedure obtains a similar relative climate change signal for the variables, but the magnitude of the signal strongly varies with the source of meteorological data. Finally, the climate change impact on hydrological indicators also varies depending on the meteorological data source, thus, for the overall mean flow, this uncertainty is greater than the uncertainty related to the natural variability. On the other hand, mixed results were found for high flows. All in all, the selection of meteorological data source should be taken into account in the evaluation of climate change impact on water resources.
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 | 0,004 | 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 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 ».