Improving Hillslope Link Model Performance from Non-Linear Representation of Natural and Artificially Drained Subsurface Flows
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study evaluates the potential for a newly proposed non-linear subsurface flux equation to improve the performance of the hydrological Hillslope Link Model (HLM). The equation contains parameters that are functionally related to the hillslope steepness and the presence of tile drainage. As a result, the equation provides better representation of hydrograph recession curves, hydrograph timing, and total runoff volume. The authors explore the new parameterization’s potential by comparing a set of diagnostic and prognostic setups in HLM. In the diagnostic approach, they configure 12 different scenarios with spatially uniform parameters over the state of Iowa. In the prognostic case, they use information from topographical maps and known locations of tile drainage to distribute parameter values. To assess performance improvements, they compare simulation results to streamflow observations during a 17-year period (2002–2018) at 140 U.S. Geological Survey (USGS) gauging stations. The operational setup of the HLM model used at the Iowa Flood Center (IFC) serves as a benchmark to quantify the overall improvement of the model. In particular, the new equation provides better representation of recession curves and the total streamflow volumes. However, when comparing the diagnostic and prognostic setups, the authors found discrepancies in the spatial distribution of hillslope scale parameters. The results suggest that more work is required when using maps of physical attributes to parameterize hydrological models. The findings also demonstrate that the diagnostic approach is a useful strategy to evaluate models and assess changes in their formulations.
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.
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 | 0,000 | 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 découle