Predicting spatiotemporal variation in runoff in a data-sparse region: analyses of a whole-country model for Panama
Notice bibliographique
Résumé
Panama faces seasonal floods and droughts as well as rising freshwater demands ranging from domestic consumption to hydro-power and the operation of the Panama Canal. A process-based hydrological model of the country is a desirable scenario planning tool to complement the existing national water security plan. In Panama as in much of the Global South, sufficient observed data do not exist for all watersheds to calibrate complex hydrological models. Understanding and improving the performance of uncalibrated hydrological models could greatly expand their utility in such regions. In this study, we build and validate an uncalibrated Soil and Water Assessment Tool (SWAT) model for Panama. We extend the default precipitation submodel and demonstrate the importance of sufficiently accounting for for spatial autocorrelation patterns in precipitation inputs: we found large improvements over the default model, not only for monthly means (NSE = 0.88, from NSE= 0.69 for default SWAT), but especially for standard deviations (NSE = 0.59, from 0.27) and maxima (NSE = 0.51, from 0.21) of discharge across locations and months. We found a strong seasonal trend and regional differences in the spatial autocorrelation of rainfall, suggesting that this phenomenon should not be modeled statically. The resulting precipitation and hydrology models provide important baseline information for Panama, especially on variability and extremes, and could serve as a template for other regions with limited data.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».