Multicriteria analysis on rock moisture and streamflow in a rainfall‐runoff model improves accuracy of model results
Notice bibliographique
Résumé
Abstract Although shallow (1.5 m) soil water storage has been extensively studied, the significance of deeper unsaturated zone water storage to flow generation is poorly documented. However, a limited but growing body of empirical work shows that the weathered bedrock vadose zone, not soil, stores the majority of plant available water in many seasonally dry and semi‐arid landscapes. Moreover, this storage dynamic mediates recharge to hillslope groundwater systems that generate stream discharge and support ecologically significant baseflows. Explicit representations of bedrock vadose zone processes are rarely incorporated into runoff models, due in part to a paucity of observations that can constrain simulations. Here, we develop a simple representation of the weathered bedrock vadose zone that is guided by in situ field observations. We incorporate this representation into a rainfall‐runoff model, and calibrate it on streamflow alone, on rock moisture (i.e., weathered bedrock vadose zone moisture) alone, and on both using the concept of Pareto optimality. We find that the model is capable of accurately simultaneously simulating dynamics in rock moisture and streamflow, in terms of Kling‐Gupta Efficiency, when using Pareto optimal parameter sets. Calibration on streamflow alone, however, is insufficient to accurately simulate rock moisture dynamics. We further find that the posterior distributions of some model parameters are sensitive to choice of calibration scenario. The posterior distribution of high‐performing model parameters resulting from the streamflow only calibration scenario include physically unrealistic values that are not yielded by the rock moisture only or Pareto calibration strategies. These results suggest that the accuracy of some model results can be increased and parameter uncertainty decreased via incorporation of rock moisture data in calibration, without sacrificing streamflow simulation quality. Emerging recognition of the global significance of weathered bedrock water storage in seasonally dry and semi‐arid regions motivates more observations of weathered bedrock moisture and integration of this variable into earth system models.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».