Development of a countrywide spatially predictive hydrological model for Panama using the Soil and Water Assessment Tool
Notice bibliographique
Résumé
Water availability and extremes in river discharge associated with floods and droughts are critical determinants of human welfare and ecological function. Modeling the effects of climate scenarios and other social and environmental changes on waterways is thus a key component of effective planning and risk mitigation. Yet, the calibration of multiple-basin models, such as for a national planning framework, can be difficult due to limitations on quality and spatial coverage of available hydrological observations. In this manuscript, we build a process-based whole-country hydrological model for Panama using the Soil and Water Assessment Tool (SWAT). We also extend SWAT by deriving a precipitation interpolation model that incorporates regional climatic variability and spatial autocorrelation of precipitation, and we validate the model using data from 35 hydrological stations. Without calibration, the default application of SWAT reasonably predicted spatiotemporal variability in mean monthly discharge (NSE=0.70), but largely failed to predict variability (NSE=0.26) and maxima (NSE=0.22). However, with our relatively simply precipitation interpolation sub-model, we were able to strengthen predictions of discharge (NSE=0.87), but also able to more than double predictive ability for variance (NSE=0.62) and maxima (NSE=0.53). This moderate modification may allow process-based hydrological models such as SWAT to be much more broadly applied; crucially, even across regions with scarce hydrological data. The resulting precipitation and hydrology layers provide important baseline information for Panama.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 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) | 0,002 | 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 ».