Hydrologic model calibration using MODIS-ET data: The impact on predictions at gauged and ungauged locations
Notice bibliographique
Résumé
Increasing availability of satellite remote sensing data triggered the use of hydrologically relevant satellite-based fluxes and variables towards improved modelling. Importance of innovative and satellite data sources for a better understanding of hydrologic processes has been highlighted in the IAHS scientific assembly’s 23 unsolved problems in hydrology. In this context, the present study investigates the use of satellite ET dataset form MODIS in the physically based semi-distributed model Soil and Water Assessment Tool (SWAT). The study area is Nith river watershed, located in Southern Ontario, Canada. We compare the potential of MODIS ET in improving the performance of SWAT at gauged and ungauged locations of Nith River watershed. Streamflow calibrated SWAT model is used as a benchmark model. The benchmark model results are compared with the MODIS ET only calibrated model results to understand the importance of satellite data in hydrologic model calibration. It is found that the calibration of SWAT model only using MODIS ET data resulted better or similar results to that of streamflow-based calibration. The results show that SWAT model improvement is highly dependent on the input data quality such as the precipitation data and land use data used in the initial model set up. The SWAT model calibrated using MODIS ET improved the soil moisture accounting and crop yield estimation. From our results we conclude that the satellite datasets can be a potential solution to parameter estimation in ungauged basins across the world.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 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) | 0,001 | 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 ».