A Comparative Evaluation of Using Rain Gauge and NEXRAD Radar-Estimated Rainfall Data for Simulating Streamflow
Notice bibliographique
Résumé
Ascertaining the spatiotemporal accuracy of precipitation is a challenge for hydrologists and planners for flood protection measures. The objective of this study was to compare streamflow simulations using rain gauge and radar data from a watershed in Southern Ontario, Canada, using the Hydrologic Engineering Center’s event-based distributed Hydrologic Modeling System (HEC-HMS). The model was run using the curve number (CN) and the Green and Ampt infiltration methods. The results show that the streamflow simulated with rain gauge data compared better with the observed streamflow than the streamflow simulated using radar data. However, when the Mean Field Bias (MFB) corrections were applied, the quality of the streamflow results obtained from radar rainfall data improved. The results showed no significant difference between the simulated streamflow using the SCS and the Green and Ampt infiltration approach. However, the SCS method is reasonably more appropriate for modeling the runoff at the sub-basin-scale than the Green and Ampt infiltration approach. With the SCS method, the simulated and observed runoff amount obtained using rain gauge rainfall showed an R2 value of 0.88 and 0.78 for MFB-corrected radar and 0.75 for radar only. For the Green and Ampt modeling option, the R2 value for the simulated and observed runoff amounts were 0.87 with rain gauge, 0.66 with radar only, and 0.68 with MFB-corrected radar rainfall inputs. The NSE values for rain gauge input ranged from 0.65 to 0.35. Overall, three values were less than 0.5 for streamflow for both the methods. For seven radar rainfall events, the NSE was greater than 0.5, with a range of very good to satisfactory. The analysis of RSR showed a very good comparison of stream flow using the SCS curve number method and Green and Ampt method using different rainfall inputs. Only one value, the 2 November 2003 event, was above 0.7 for rain gauge-based streamflow. The other RSR values were in the range of “very good”. Overall, the study showed better results for the simulated runoff with the MFB-corrected radar rainfall when compared with the simulations obtained using radar rainfall only. Therefore, MFB-corrected radar could be explored as a substitute rainfall source.
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 | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».