A streamflow-oriented ranking-based methodological framework to combine multiple precipitation datasets across large river basins
Notice bibliographique
Résumé
Hydrologic-Land Surface Models (H-LSMs) are subject to input uncertainties arising from climate forcing data, especially precipitation. For better streamflow simulations and predictions, the generation of a hybrid dataset by combining existing precipitation products has attracted considerable interest in recent years. To assess the accuracy of the hybrid dataset, in-situ precipitation-gauge stations are used as a reference point. However, the robustness of the hybrid dataset in representing spatial details can be problematic when the evaluation uses only a sparse network of in-situ observations at regional or basin scales. This study aims to develop a methodological framework to generate hybrid precipitation datasets based on the model performance of streamflow simulations that are spatially representative across large river basins. The framework is illustrated using a Canadian H-LSM known as MESH (Modélisation Environmentale communautaire – Surface Hydrology) in the Saskatchewan River basin, Canada, for the period 2002–2010. Five regional and global precipitation products (Global Meteorological Forcing Dataset at Princeton University (Princeton); the WATCH Forcing Data methodology applied to the ERA-Interim (WFDEI) augmented by Climatic Research Unit (WFDEI [CRU]) and Global Precipitation Climatology Centre (WFDEI [GPCC]); North American Regional Reanalysis (NARR); and Canadian Precipitation Analysis (CaPA)) were included as candidates in this study. Results indicate that the generation of a hybrid dataset based on hydrological evaluation was useful for improving H-LSM modelling skills. Hybrid datasets showed a similar or better model performance compared to that of the best basin-wide precipitation product in the headwaters and gradually performed better downstream and at the basin outlet. When multiple products are combined model performance can be further enhanced by considering seasonality with respect to the hydrological regime of the river basin. This study demonstrates the usefulness of hybrid datasets in a large-scale river basin with low climate station network density.
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 | 0,019 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| 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 ».