A Methodological Framework to Combine Multiple Precipitation Datasets for Improving Streamflow Simulations: A test study in the Saskatchewan River basin, Canada
Notice bibliographique
Résumé
Obtaining reliable precipitation measurements and accurate spatiotemporal distribution of precipitation remains as a challenging task for driving Hydrologic-Land Surface Models (H-LSMs) and better hydrological simulations and predictions. To further improve the accuracy of precipitation estimation for hydrological applications, the idea of generating a hybrid dataset by combining existing precipitation products has become a more appealing approach in recent years. The reliability of the hybrid dataset is evaluated against in-situ climate stations and error characteristics are calculated to compare to the existing products. However, the robustness of the hybrid dataset in representing spatial details could be problematic when evaluated only using a sparse network of in-situ observations at regional or basin scales. This study aims to develop a methodological framework that combines multiple precipitation products based on evaluation against not only climate stations but also streamflow stations that are spatially representative across large river basin. The framework is illustrated using a Canadian H-LSM named MESH (Modélisation Environmentale communautaire - Surface Hydrology) in the Saskatchewan River basin, Canada over the period of 2002 to 2012. Five existing precipitation datasets are considered as the candidates for generating the hybrid dataset. The framework consists of three components. The first component evaluates each precipitation candidate against the local gauge data for benchmarking, runs each candidate through MESH with 10 km spatial resolution and default parameterization, and calculates the overall streamflow performance in each sub-basins with equal weighting of three evaluation metrics. The second component generates the hybrid dataset by combining the best performing candidates (annual or seasonal) at sub-basin scale. The third component assesses the performance of the hybrid dataset at downstream gauge stations along the mainstream as a validation mechanism for comparison with the performance of the candidate datasets. Results shows that the hybrid dataset is able to perform equally well with the existing precipitation products in the headwater while improve the streamflow performance downstream. The successful application of the framework in this river basin could build the foundation and the confidence in applying the combination method to data-limited river basins in northern Canada.
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 | 0,014 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».