Hydrological performance of ERA5 and MERRA-2 precipitation products over the Great Lakes Basin
Notice bibliographique
Résumé
The Laurentian Great Lakes Basin (GLB) of North America. Precipitation is often the paramount driver in hydrological systems and dynamics. Gridded precipitation data from the fifth generation of European Centre for Medium-Range Weather Forecasts (ECMWF) reanalysis (ERA5) and the second Modern-Era Retrospective analysis for Research and Applications (MERRA-2) are playing a key role in hydrological modelling and hydro-climatological analysis activities. This study explores the discrepancies between ERA5 total precipitation (TP) and MERRA-2 bias-corrected total precipitation (PRECTOTCORR) products and their impacts on streamflow simulation over the GLB. ERA5 TP and MERRA-2 PRECTOTCORR perform differently, with substantial discrepancies in the eastern and mid-southern regions of the GLB. MERRA-2 PRECTOTCORR severely underestimates precipitation along the eastern shores of the Great Lakes within the eastern GLB, where lake-effect snowfall is common. Accordingly, the MERRA-2 PRECTOTCORR-driven hydrological modelling typically significantly underpredicts streamflow in those areas. In contrast, MERRA-2 PRECTOTCORR performs very well for precipitation estimation and stream discharge simulations in the mid-southern portion of the basin (i.e., the southern portion of the U.S. State of Michigan). However, the northernmost region of the GLB exhibits streamflow overprediction from the PRECTOTCORR-driven hydrological modelling. On average, ERA5 TP overestimates precipitation, especially in winter and spring. Accordingly, ERA5 TP typically results in higher simulated streamflow when compared to PRECTOTCORR. The quantified hydrological performance for the two state-of-the art precipitation products provides critical guidance for hydrological modelling applications in the GLB or other similar regions.
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 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».