Identification and Regionalization of Streamflow Routing Parameters Using Machine Learning for the HLM Hydrological Model in Iowa
Notice bibliographique
Résumé
Abstract We present a novel approach to determine spatially distributed routing parameters for the distributed hydrological Hillslope Link Model (HLM), an ordinary differential equations‐based streamflow forecasting model implemented and tested in Iowa. We being by developing a technique to determine two model parameters that control the channel routing equation in gauged catchments draining less than 1,300 km 2 . Then, we implement a parameter regionalization methodology using machine learning classification techniques and a bootstrap procedure, in which we trained 400 Random Forests (RFs) using physical and geomorphological features for classification. We made a regional interpolation using an ensemble of selected RF realizations that exhibited the best performance. We used as benchmark of our results a more straightforward interpolation technique based on USGS Hydrological Units Codes. We performed simulations of the HLM over the entire state of Iowa between 2012 and 2018 using the two regionalization methods, comparing them to the operational model used by the Iowa Flood Center, which applies a single set of parameter values to the entire domain. After evaluating the results at 148 USGS stations, the Random‐Forest approach captures the value of observed peak flows more precisely without losing performance in terms of the Kling Gupta Efficiency index. The improvements obtained using our proposed strategy that uses data, hydrological modeling, and a machine learning technique to identify and regionalize routing parameters are modest, indicating that the parameters that control the rainfall‐runoff transformation dominate uncertainty in our flood forecast model.
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 | 0,000 |
| 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 ».