Modeling Hydrological Inflow Persistence Using Paleoclimate Reconstructions on the Québec‐Labrador (Canada) Peninsula
Notice bibliographique
Résumé
Abstract Annual inflow forecasts are often based on historical time series, where every year is considered equally likely to reoccur. This process ignores the persistence of dry/wet conditions often observed in time series, behavior that is of utmost importance for hydroelectric energy producers. However, the modeling of persistence properties is challenging when only short time series are available for calibration. Here, we use Gaussian hidden Markov models to describe the regime‐switching behavior, where the next year's inflow depends on the current estimated regime. For four large hydropower reservoirs on the Québec‐Labrador Peninsula, a Gaussian hidden Markov model is calibrated on both a 30‐year observational record and a 190‐year paleoclimatic inflow reconstruction. Each reconstruction is a composite of three reconstruction methods drawing on five different tree‐ring proxies (ring widths, minimal wood density, maximal wood density, δ 13 C, and δ 18 O). The calibration on the reconstructed series finds two hydrological regimes, while the calibration on the observed data has only one regime for three out of four watersheds. Yearly hindcasts with the two calibrated Gaussian hidden Markov models suggest that for all four watersheds, extending the time series with reconstructions improves the model's predictive accuracy. This approach does not explicitly account for the differing accuracy of the observational and reconstructed time series or compare hidden Markov models to other models of persistence.
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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».