Uncertainty Analysis for Hydrological Models With Interdependent Parameters: An Improved Polynomial Chaos Expansion Approach
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 The use of polynomial chaos expansion (PCE) has gained a lot of attention due to its ability to efficiently estimate the effects of parameter uncertainty on model outputs. The traditional PCE technique requires the studied parameters to be independent. In hydrological modeling, although model parameters are often assumed to be independent for simplicity of computation, such an assumption is not always valid. Neglecting parameter correlations could significantly affect the analysis of uncertainty, leading to distorted modeling results. In this study, an improved PCE approach is proposed to address this issue and support the uncertainty analysis for hydrological models with correlated parameters. The proposed approach is based on the integration of principle component analysis (PCA) and PCE, where PCA is used to transform correlated parameters into orthogonal independent components. To demonstrate the applicability of this approach, the Soil & Water Assessment Tool (SWAT) model is applied to the Guadalupe River Watershed in Texas, US, and the integrated PCA‐PCE framework is used to assess the propagation of uncertainty of SWAT's interdependent parameters. A traditional Monte‐Carlo (MC) simulation is also used to address the uncertainty in the developed SWAT model. The results show that PCA‐PCE could generate similar probabilistic flow results compared to MC while maintaining a very high computational efficiency. The coefficients of determination ( R 2 ) for the mean and variance are 0.998 and 0.973, respectively, and the computational requirement is reduced by 99% using the developed PCA‐PCE approach. It is shown that the PCA‐PCE approach is reliable and efficient in assessing uncertainties in hydrological models with interdependent parameters.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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