Assessing Water Balance Closure Using Multiple Data Assimilation and Remote Sensing-Based Datasets for Canada
Notice bibliographique
Résumé
Abstract Obtaining reliable water balance estimates remains a major challenge in Canada for large regions with scarce in situ measurements. Various remote sensing products can be used to complement observation-based datasets and provide an estimate of the water balance at river basin or regional scales. This study provides an assessment of the water balance using combinations of various remote sensing and data assimilation-based products and quantifies the non-closure errors for river basins across Canada, ranging from 90,900 to 1,679,100 km 2 , for the period from 2002 to 2015. A water balance equation combines the following to estimate the monthly water balance closure: multiple sources of data for each water budget component, including two precipitation products - the global product WATCH Forcing Data ERA-Interim (WFDEI), and the Canadian Precipitation Analysis (CaPA); two evapotranspiration products - MODIS, and Global Land-surface Evaporation: the Amsterdam Methodology (GLEAM); one source of water storage data - GRACE from three different centers; and observed discharge data from hydrometric stations (HYDAT). The non-closure error is attributed to the different data products using a constrained Kalman filter. Results show that the combination of CaPA, GLEAM, and the JPL mascon GRACE product tended to outperform other combinations across Canadian river basins. Overall, the error attributions of precipitation, evapotranspiration, water storage change, and runoff were 36.7, 33.2, 17.8, and 12.2 percent, which corresponded to 8.1, 7.9, 4.2, and 1.4 mm month -1 , respectively. In particular, non-closure error from precipitation dominated in Western Canada, whereas that from evapotranspiration contributed most in the Mackenzie River basin.
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 | 0,000 |
| 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 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 ».