Modeling Rainfall–Runoff Responses and Antecedent Moisture Effects Using Principles of System Identification
Notice bibliographique
Résumé
Rainfall–runoff dynamics of surface water, combined sewer, and separate sewer systems can be highly impacted by antecedent moisture conditions, or the relative wetness or dryness of the system. Accurately simulating these dynamics is critical for developing predictive models of systems that are sensitive to antecedent moisture. This paper presents the results of 25 years of work formulating, applying and refining a hydrologic model that addresses the impacts of antecedent moisture conditions on the rainfall–runoff process. The development, process and equations of the model are presented. The model was derived using the principles of system identification from the field of aerospace control systems to find the simplest mathematical model that accurately describes the relationship between system inputs and the flow output. Developing and testing the model was done primarily from observations in the U.S. Midwest. where both preceding rainfall and seasonal hydrologic conditions impact antecedent moisture dynamics. For these systems, the model described here is perhaps the most parsimonious that can accurately simulate these dynamics. This provides several advantages to the modeler, including ease of use, fewer parameters to calibrate, ability to quickly identify optimal parameters, and ease of representation in a numerical computer routine. Physical interpretation of the model structure and parameters is possible, providing the modeler with useful insights into the physical processes driving the rainfall–runoff dynamics.
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 | 0,002 | 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 | 0,001 |
| 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 ».