Nested hydrological modeling for flood prediction using CMIP6 inputs around Lake Tana, Ethiopia
Notice bibliographique
Résumé
Tana basin is the origin of the Blue Nile Basin located in Ethiopia. The Lake Tana’s mean annual precipitation is approximately 1400 mm/yr and its outflow drains an area of about 15,096 km2. There is limited effort to apply nested hydrological models for flood prediction due to being poorly gauged for validation. The objective of this study is to show how climate simulations can be used to generate reliable local predictions of flood and runoff for the Blue Nile in the Ethiopian highlands. In this study, outputs from the Coupled Model Intercomparison Project Phase 6 (CMIP6) were used to initialize a nested hydrological model to reveal long-term trends of runoff in flood-prone areas of the Lake Tana basin, Ethiopia. Available satellite and reanalysis datasets were used for selection of CMIP6 products and the five models with best validation were used to force a nested hydrological model: Known as Wflow_sbm. A model-independent multi-algorithm optimization estimation tool was implemented for calibration of Wflow with insitu observations. In terms of simulating runoff and flood events, application of Wflow_sbm to the Lake Tana basin gave promising results. This study serves as a major step towards the development and implementation of global model-driven nested hydrological assessments of flood risk in future projections for Lake Tana basin.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| 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 ».