Uncertainty Analysis of a 1D River Hydraulic Model with Adaptive Calibration
Notice bibliographique
Résumé
Water level modeling is a critical component of flood warning systems. A high-quality forecast requires the development of a hydraulic model that reliably accounts for the main sources of uncertainty. In this paper, a 1D hydraulic model with adaptive flow-based calibration was developed. This calibration resulted in roughness-flow relationships that allow Manning coefficients to be updated as a function of river flow, to limit errors throughout the flood cycle. An uncertainty analysis is then conducted for independent events, considering as the main source of uncertainty the error in the estimated input flows (upstream and lateral), and in the calibrated roughness coefficients. A set of parameters is generated by Latin Hypercube Sampling (LHS) from the characterization of these errors to evaluate their propagation to the variables of interest, namely water level and flow. These are evaluated by performance metrics (scores) such as the reliability diagram and the continuous rank probability score (CRPS). The adaptive flow-based calibration considerably reduced the error of the 1D model and improved its performance over time and throughout the flood events. The uncertainty analysis resulted in consistent accuracy improvements over a deterministic simulation with gains of 20% to 32%, depending on the combined parameters. Good reliability is also reached for most stations, with resulting spreads and Root Mean Square Error (RMSE) close to one another. The proposed methodology has the potential to improve the descriptive capability of 1D river hydraulic models and to increase their reliability when included in forecasting systems.
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 ».