Comparison of gridded datasets for the simulation of streamflow in Africa
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract In recent decades, many parts of the African continent have experienced high precipitation variability with periodic drought and flood events. However, the network of streamflow gauges is too sparse in most countries to adequately capture these variations. In addition, no observed reference climatological dataset exists to adequately represent precipitation and temperature changes within all topographic and climatic zones. Consequently, the use of global gridded datasets needs to be considered. This paper aims to use the different available gridded datasets as inputs to a hydrological model to evaluate dataset performance. Nine precipitation and two temperature gridded datasets are used to this effect. The precipitation datasets include two gauged-only products, two satellite products corrected using ground-based observations, four reanalysis products and one merged product of gauge, satellite, and reanalysis. The two temperature datasets include one gauged-only and one reanalysis product. The ten precipitation and two temperature datasets were combined in their 18 possible arrangements for analysis purposes. Each combination was used to force the HMETS lumped hydrological model. The model parameters were calibrated individually for each combination against the streamflow records of 850 African catchments. The Kling-Gupta Efficiency (KGE) was used to evaluate the simulation performance. Results show thatboth temperature datasets performed equally well. Large differences were however observed between precipitation datasets. The MSWEP merged-product was the best-performing precipitation dataset, followed by CHIRPS satellites and ERA5 reanalysis products, respectively. The performance of both gauged-only datasets (CPC and GPCC) was inferior, outlining the limitations of extrapolating information in data-sparse regions.
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.
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 découle