Incorporating Uncertainty Into Multiscale Parameter Regionalization to Evaluate the Performance of Nationally Consistent Parameter Fields for a Hydrological Model
Notice bibliographique
Résumé
Abstract Spatial parameter fields are required to model hydrological processes across diverse landscapes. Transfer functions are often used to relate parameters to spatial catchment attributes, introducing large uncertainties. Quantifying these uncertainties remains a key challenge for large‐scale modeling. This paper extends the multiscale parameter regionalization (MPR) technique to consider parameter uncertainties. We evaluate this method of producing nationally consistent parameter fields, which maintain a constant relationship between model parameters and catchment attributes, across 437 catchments in Great Britain (GB). By sampling multiple transfer function parameters, we produce thousands of possible model parameter fields which are constrained within an uncertainty framework. This is compared to spatially homogeneous parameter sets constrained for individual catchments. The nationally consistent MPR parameter fields perform well (KGE* > 0.75) across 60% of catchments. Performance is similar or better than catchment‐constrained parameters (KGE* drop < 0.1) across 82% of catchments. Advantages of our national parameter fields include (a) improved representation of flows within catchments, (b) more robust performance between calibration and evaluation periods, and (c) spatial parameter fields reflecting hydrologically meaningful variation in catchment characteristics. By including uncertainties, we show that hydrographs produced using MPR have smaller uncertainty bounds which are better able to encompass flows. As the first application of MPR to both the DECIPHeR modeling framework and GB, we developed transfer functions and identified key catchment attributes to constrain model parameters, which are transferrable to other models alongside the addition of uncertainty. Methodologies presented here are informative for future regionalization efforts in GB and elsewhere.
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 | 0,005 | 0,015 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 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 ».