Regional Calibration With Isotope Tracers Using a Spatially Distributed Model: A Comparison of Methods
Notice bibliographique
Résumé
Abstract Accurate representation of flow sources in process‐based hydrologic models remains challenging for remote, data‐scarce regions. This study applies stable isotope tracers ( 18 O and 2 H) in water as auxiliary data for the calibration of the isoWATFLOOD ™ model. The most efficient method of those evaluated for introducing isotope data into model calibration was the PA‐DDS multiobjective search algorithm. The compromise solutions incorporating isotope data performed slightly inferior in terms of streamflow simulation compared to the calibrated solution using streamflow data only. However, the former solution outperformed the latter one in terms of isotope simulation. Approximation of the model parameter uncertainty into internal flow path partitioning was explored. Inclusion of isotope error facilitated a broader examination of the total parameter space, resulting in significant differences in internal storage and flow paths, most significantly for soil storage and evapotranspiration loss. Isotope‐optimized calibration reduced evaporation rates and increased soil moisture content within the model, impacting soil water velocity but not streamflow celerity. Flow‐only calibration resulted in artificially narrow model prediction bounds, significantly underestimating the propagation of parameter uncertainty, while isotope‐informed calibrations yielded more reliable and robust bound on model predictions. Our findings demonstrate that the accuracy of a complex, spatially distributed, and process‐based model cannot be judged from one summative flow‐based model performance evaluation metric alone.
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 | 0,000 |
| 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 ».