Evaluation of Radar Quantitative Precipitation Estimates (QPEs) as an Input of Hydrological Models for Hydrometeorological Applications
Notice bibliographique
Résumé
Abstract Weather radar provides real-time, spatially distributed precipitation estimates, whereas traditional gauge data are restricted in space. The use of radar quantitative precipitation estimates (QPEs) as an input of hydrological models for hydrometeorological applications has increased with the development of weather radar worldwide. New dual-polarization technology and algorithms are showing improvements to radar QPEs. This study evaluates radar QPEs from C-band radar at King City, Canada (WKR), and NEXRAD S-band radar at Buffalo, New York (KBUF), to verify the reliability and accuracy for operational use in the Humber River (semiurban) and Don River (urban) watersheds in the Greater Toronto Area (GTA), Canada. Twenty rainfall events that occurred from 2011 to 2017 were determined from hourly gauge measurements and compared with nine radar QPEs. Rain rates were estimated with different algorithms using three dual-polarized reflectivity values: horizontal reflectivity Z, differential reflectivity ZDR, and specific differential phase KDP. The correlation coefficient, bias, detection, and root-mean-square error were calculated and averaged over all events for each gauge station to show the spatial distribution and in a similar pattern to represent the variation by the event. The quality of the results in terms of accuracy and reliability indicates that the radar QPEs from KBUF S-band and WKR C-band multiparameter rain rate estimators can be effectively used as precipitation forcing of hydrological models for hydrometeorological applications. The high spatiotemporal resolution, long-term data archive, and good percent detection of radar QPEs can facilitate hydrometeorological applications by providing a continuous time series for hydrological models.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».