Hydrological post-processing of streamflow forecasts issued from multimodel ensemble prediction systems
Notice bibliographique
Résumé
Abstract Hydrological simulations and forecasts are subject to various sources of uncertainties. Thiboult et al. (2016) constructed a 50,000-member great ensemble that ultimately accounts for meteorological forcing uncertainty, initial condition uncertainty, and structural uncertainty. This large 50,000-member ensemble can also be separated into sub-components to untangle the three main sources of uncertainties mentioned above. However, in Thiboult et al. (2016) model outputs were simply pooled together, considering equiprobable members. This paper studies the use of Bayesian model averaging (BMA) to post-process multimodel hydrological forecasts. BMA assigns multiple sets of weights on different models and may then generate more skillful and reliable probabilistic forecasts. BMA weights explicitly quantify the level of confidence one can have regarding each candidate hydrological model and lead to a predictive probabilistic density function (PDF) containing information about uncertainty. The BMA scheme improves the overall quality of forecasts mainly by maintaining the ensemble dispersion with the lead time. It also has the ability to improve the reliability and skill of multimodel systems that only include two sources of uncertainties that the 50,000-member great ensemble using all forecasting tools (i.e., multimodel, EnKF, and meteorological ensemble forcing) could predict jointly. Furthermore, Thiboult et al. (2016) showed that the meteorological forecasts they used were somehow biased and unreliable on some catchments. The BMA scheme is capable to improve the accuracy and reliability of the hydrological forecasts in that case as well.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».