Developing precipitation datasets for mountain regions in a changing climate
Notice bibliographique
Résumé
Around 22% of the global population depend on mountain runoff for their water supply. Due to its importance for future water resources, as well as flood and drought planning, an improved understanding of spatial precipitation patterns in mountain regions is needed. Precipitation gauge networks are sparse and traditional methods of interpolation yield inadequate precipitation fields for poorly gauged mountain catchments.This research project builds on a new method, Random Mixing, to generate multiple random spatial daily precipitation fields, conditioned on gauge observations. The Random Mixing algorithm has so far been tested on larger, densely gauged catchments. This project adapts the approach for a sparsely gauged, small 9.1 km2 mountain catchment, Marmot Creek Research Basin in Alberta, Canada, where elevations range between 1600 m and 2825 m above sea level (a.s.l.). Quality-controlled total precipitation (i.e., rainfall and snowfall) gauge observations, for an 11-year period, from three weather stations around the catchment have been used to condition the random spatial fields.To optimise selection of the most plausible fields, ensemble hydrological simulations are run, initially using a Python-coded version of the HBV spatially-distributed conceptual model, on a 50 m2 regular model grid. Optimisation involves the use of metrics, primarily Nash-Sutcliffe Efficiency (NSE) and bias, to identify the fields that result in the best match between observed and simulated streamflows. Sensitivity of these fields to seasonality, elevation and precipitation intensity is tested.Results so far are promising. Even with very few gauges, improving the way that spatial covariance relationships between gauge locations are represented in the model has enhanced the quality of the spatial fields. The biggest improvement to date is from explicitly modelling the precipitation / elevation relationship, introducing gradients, and applying daily dry day and wet day parameters to each grid cell across the model domain.Intended future work will aim to further refine the process using a physically-based spatially distributed model, the Cold Regions Hydrological Model (CRHM). Spatial fields generated using other random methods will be used to evaluate the performance of the new technique. Long time-period flood frequency curves generated using each approach will be compared. Different methods of phase partitioning will be evaluated to identify impacts on extreme flooding which is often controlled by snowpack melt. Climate change perturbations will be applied to generate potential future flood estimates.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».