Optimal Hydrological Model Calibration Strategy for Climate Change Impact Studies
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
To assess the impacts of climate change on water resources, hydrological models are the most commonly used to simulate future flows. Hydrological model calibration is typically based on historical hydrometeorological data, which may not be representative of the future climate. This paper evaluates various calibration strategies to minimize this issue. The impact of these calibration strategies is measured on 921 North American catchments using a lumped hydrological model. Five calibration strategies (warm, low rainfall, high rainfall, low-flow, and high-flow years) were investigated, each using a 5-year (noncontinuous) independent validation dataset maximizing all five studied climate anomalies. The remaining years were used as a pool of calibration years, using targeted subsets of years in multiples of five to assess the impact of the number of calibration years versus the climate anomaly of each calibration subset. Results showed large cross-catchment variability, indicating that no single calibration strategy and number of calibration years were optimal for all watersheds. However, the large number of catchments used in this study allows for some general conclusions to be drawn. For the warm-years calibration strategy, using a large number of years was the approach most likely to succeed, indicating that removing a small subset of cold years was preferable to keeping a small subset of warm years. For the other four calibration strategies, the approach most likely to succeed was the one in which about half of the years in the historical record were kept. For the warm year strategy, keeping a larger number of years for calibration ensures better model robustness to account for precipitation variability in the validation set. For the other four calibration strategies, which are mostly related to precipitation, a larger number of years had to be dropped to account for the much larger differences between wet and dry years.
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 | 0,001 | 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 découle