Drivers of Model Uncertainty for Urban Runoff in a Tropical Climate: The Effect of Rainfall Variability and Subcatchment Parameterization
Notice bibliographique
Résumé
Urbanization continues to increase in countries with tropical climates and this trend, combined with the likely increasing frequency of extreme rainfall events due to a changing climate, places such development at risk and in need of resiliency assessment. Conceptual models to assess runoff dynamics can be an important component of resiliency assessment, but there are comparatively less data to calibrate these models than are available in the global north. As such, there also is less information with respect to the drivers of model uncertainty and sensitivity. To address this gap in knowledge, we summarize the calibration results of PCSWMM for subcatchment areas in a tropical climate study catchment for which there are substantial rainfall and runoff data. Subsequently, we used the calibrated model to evaluate the impact that rain gauge density may have on runoff estimates. We also investigated the sensitivity of PCSWMM peak flow and total volume estimates to physical subcatchment parameters other than rainfall. With between 38 and 87 events captured for each monitoring station, the NSE, r2, and ISE ratings varied, but generally were in the respective ranges 0.7–0.8, 0.79–0.85, and good–excellent. It can be concluded that PCSWMM performed well in representing the tropical storm events. The rainfall pattern in the study catchment exhibited considerable spatial variability, both annually and seasonally, with annual rainfall increasing from 2063 mm near the coast to 3100 mm less than 17 km further inland. While the model was sensitive to %imperviousness, subcatchment width, impervious Manning’s n, and, to a lesser extent, various surface storage and infiltration parameters, the spatial variability of rainfall had the greatest impact on model uncertainty.
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 ».