A reproducible data-driven workflow for probabilistic seasonal streamflow forecasting over North America
Notice bibliographique
Résumé
Seasonal streamflow forecasts are critical for many different sectors - e.g., water supply management, hydropower generation, and irrigation scheduling. Initial hydrological conditions (e.g., snow storage and soil moisture) are an important source of hydrological predictability on seasonal timescales. Snowmelt is the main source of runoff generation in high-latitude and/or high-altitude headwaters basins across North America, and the basins downstream. As a result, data-driven forecasting from snow observations is a well-established approach for operational seasonal streamflow forecasting in the USA and Canada.The aim of this work is to benchmark the skill of probabilistic seasonal streamflow forecasts across North America. To this end, we developed a reproducible data-driven workflow and implemented it for basins with a nival regime across North America. The workflow uses snow water equivalent measurements from the Canadian historical Snow Water Equivalent dataset (CanSWE), the Natural Resources Conservation Service (NRCS) manual snow surveys, and the SNOTEL automatic snow pillow in the USA. These datasets are gap filled using quantile mapping based on neighboring snow and precipitation stations. Principal Component Analysis is then used to define a small set of orthogonal predictor variables. These principal components are used as predictors in a regression model to generate ensemble hindcasts of streamflow volumes for basins across North America. Preliminary results for 93 nival basins and 17 glacial basins across Canada suggest that this forecasting method has the ability to provide skilful hindcasts (i.e., better than streamflow climatology) during the snowmelt season with up to 2-3 months lead. The results of this study provide a reference against which alternative forecasting methods (e.g., process-based forecasting models or machine learning approaches) can be assessed in the future.This work is a contribution of the recently launched Cooperative Institute for Research to Operations in Hydrology (CIROH) initiative that aims to develop next-generation water prediction capabilities. The CIROH program and the Global Water Futures (GWF) program are advancing capabilities for probabilistic streamflow forecasting over North America.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,004 |
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 ».