Use of Radar Quantitative Precipitation Estimates (QPEs) for Improved Hydrological Model Calibration and Flood Forecasting
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 Flood forecasting is essential to minimize the impacts and costs of floods, especially in urbanized watersheds. Radar rainfall estimates are becoming increasingly popular in flood forecasting because they provide the much-needed real-time spatially distributed precipitation information. The current study evaluates the use of radar Quantitative Precipitation Estimates (QPEs) in hydrological model calibration for streamflow simulation and flood mapping in an urban setting. Firstly, S-band and C-band radar QPEs were integrated into event-based hydrological models to improve the calibration of model parameters. Then, rain gauge and radar precipitation estimates’ performances were compared for hydrological modeling in an urban watershed to assess radar QPE's effects on streamflow simulation accuracy. Finally, flood extent maps were produced using coupled hydrological-hydraulic models integrated within the Hydrologic Engineering Center- Real-Time Simulation (HEC-RTS) framework. It is shown that the bias correction of radar QPEs can enhance the hydrological model calibration. The radar-gauge merging obtained a KGE, MPFC, NSE, and VE improvement of about + 0.42, + 0.12, + 0.78, and − 0.23, respectively for S-band and + 0.64, + 0.36, + 1.12, and − 0.34, respectively for C-band radar QPEs. Merged radar QPEs are also helpful in running hydrological models calibrated using gauge data. The HEC-RTS framework can be used to produce flood forecast maps using the bias-corrected radar QPEs. Therefore, radar rainfall estimates could be efficiently used to forecast floods in urbanized areas for effective flood management and mitigation. Canadian flood forecasting systems could be efficiently updated by integrating bias-corrected radar QPEs to simulate streamflow and produce flood inundation maps.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| 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