Comment on hess-2023-21
Notice bibliographique
Résumé
Abstract. Land surface models have many parameters that have a spatially variable impact on model outputs. In applying these models, sensitivity analysis (SA) is sometimes performed as an initial step to select calibration parameters. As these models are applied on large domains, performing sensitivity analysis across the domain is computationally prohibitive. Here, using a VIC deployment to a large domain as an example, we show that watershed classification based on climatic attributes and vegetation land cover helps to identify the spatial pattern of parameter sensitivity within the domain at a reduced cost. We evaluate the sensitivity of 44 VIC model parameters with regard to streamflow, evapotranspiration and snow water equivalent over 25 basins with a median size of 5078 km2. Basins are clustered based on their climatic and land cover attributes. Performance of transferring parameter sensitivity between basins of the same cluster is evaluated by the F1 score. Results show that two donor basins per cluster are sufficient to correctly identify sensitive parameters in a target basin, with F1 scores ranging between 0.66 (evapotranspiration) to 1 (snow water equivalent). While climatic attributes are sufficient to identify sensitive parameters for streamflow and evapotranspiration, including vegetation class significantly improves skill in identifying sensitive parameters for snow water equivalent. This work reveals that there is opportunity to leverage climate and land cover attributes to greatly increase the efficiency of parameter sensitivity analysis and facilitate more rapid deployment of land surface models over large spatial domains.
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 | 0,001 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,010 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,203 | 0,113 |
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 ».