HUP‐BMA: An Integration of Hydrologic Uncertainty Processor and Bayesian Model Averaging for Streamflow Forecasting
Notice bibliographique
Résumé
Abstract Uncertainty quantification and providing probabilistic streamflow forecasts are of particular interest for water resource management. The hydrologic uncertainty processor (HUP) is a well‐known Bayesian approach used to quantify hydrologic uncertainty based on observations and deterministic forecasts. This uncertainty quantification is model‐specific; however, utilizing information from multiple hydrologic models should be advantageous and should lead to better probabilistic forecasts. Using seven, structurally different, conceptual models, this study first aims at evaluating the effects of implementing different hydrologic models on HUP performance. Second, using the concepts of the Bayesian Model Averaging (BMA) approach, a multimodel HUP‐based Bayesian postprocessor (HUP‐BMA) is proposed where the combination of posterior distributions derived from HUP with different hydrologic models are used to better quantify the hydrologic uncertainty. All postprocessing approaches are applied for medium‐range daily streamflow forecasting (1–14 days ahead) in two watersheds located in Ontario, Canada. The results indicate that the HUP forecasts for short lead‐times are negligibly affected by implementing different hydrologic models, while with increasing lead‐time and flow magnitude, they significantly depend on the quality of the deterministic forecast. Moreover, the superiority of the proposed HUP‐BMA method over HUP is demonstrated based on various verification metrics in both watersheds. Additionally, HUP‐BMA outperformed the original BMA in quantifying hydrologic uncertainty for short lead‐times. However, by increasing lead‐time, considering the effects of initially observed flow on HUP‐BMA formulation may not be beneficial. So, its modified version unconditioned on initial observations is preferred.
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 ».