MétaCan
Menu
Retour à la cohorte
Enregistrement W3207749623 · doi:10.1002/hyp.14410

Leveraging ensemble meteorological forcing data to improve parameter estimation of hydrologic models

2021· article· en· W3207749623 sur OpenAlexafffund
Hongli Liu, Bryan A. Tolson, Andrew J. Newman, Andrew W. Wood

Notice bibliographique

RevueHydrological Processes · 2021
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHydrology and Watershed Management Studies
Établissements canadiensCanmore Museum and Geoscience CentreUniversity of SaskatchewanUniversity of Waterloo
Organismes subventionnairesNational Science Foundation of Sri LankaNatural Sciences and Engineering Research Council of Canada
Mots-clésForcing (mathematics)CalibrationEnsemble forecastingComputer scienceEnvironmental scienceScale (ratio)Ensemble learningClimatologyMathematicsStatisticsMachine learningGeography

Résumé

récupéré en direct d'OpenAlex

Abstract As continental to global scale high‐resolution meteorological datasets continue to be developed, there are sufficient meteorological datasets available now for modellers to construct a historical forcing ensemble. The forcing ensemble can be a collection of multiple deterministic meteorological datasets or come from an ensemble meteorological dataset. In hydrological model calibration, the forcing ensemble can be used to represent forcing data uncertainty. This study examines the potential of using the forcing ensemble to identify more robust parameters through model calibration. Specifically, we compare an ensemble forcing‐based calibration with two deterministic forcing‐based calibrations and investigate their flow simulation and parameter estimation properties and the ability to resist poor‐quality forcings. The comparison experiment is conducted with a six‐parameter hydrological model for 30 synthetic studies and 20 real data studies to provide a better assessment of the average performance of the deterministic and ensemble forcing‐based calibrations. Results show that the ensemble forcing‐based calibration generates parameter estimates that are less biased and have higher frequency of covering the true parameter values than the deterministic forcing‐based calibration does. Using a forcing ensemble in model calibration reduces the risk of inaccurate flow simulation caused by poor‐quality meteorological inputs, and improves the reliability and overall simulation skill of ensemble simulation results. The poor‐quality meteorological inputs can be effectively filtered out via our ensemble forcing‐based calibration methodology and thus discarded in any post‐calibration model applications. The proposed ensemble forcing‐based calibration method can be considered as a more generalized framework to include parameter and forcing uncertainties in model calibration.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,175
Score d'incertitude au seuil0,737

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,002
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,070
Tête enseignante GPT0,277
Écart entre enseignants0,207 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHydrological ProcessesMême sujetHydrology and Watershed Management StudiesTravaux en français237 207