Improved modelling of a Prairie catchment using a progressive two-stage calibration strategy with in situ soil moisture and streamflow data
Notice bibliographique
Résumé
Abstract Dynamic contributing areas, various fill-and-spill mechanisms and cold-region processes make the hydrological modelling of the Prairies very challenging. Several models (from simple conceptual to advanced process-based) are available, but the focus has been largely in reproducing streamflow. Few studies have assimilated soil moisture and other hydrological fluxes for improved simulation, but the emphasis has been predominately on simulating contributing areas. However, previous research has shown that the contributing areas are dynamic, and can vary from one year to the next, depending on hydro-meteorological conditions. Therefore, the areas deemed non-contributing can also occasionally contribute to streamflow. In this study, we introduce a progressive two-stage calibration strategy to constrain soil moisture in non-contributing areas. We demonstrate that constraining soil moisture in non-contributing areas can result in improved hydrological simulations and more realistic process representations. The Nash–Sutcliffe efficiency (NSE) values for simulated soil moisture in contributing areas increased by 68% at 20 cm and 25% at 50 cm soil depths during validation when non-contributing areas were constrained. This further led to increases in NSE values in streamflow simulation during calibration (6%) and validation (12%). Our findings suggest that soil moisture in non-contributing areas should be properly constrained for improved modelling of Prairie catchments.
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 | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».