Does hydrologically consistent data improve model performance? The importance of closing the water balance of input and evaluation data
Notice bibliographique
Résumé
Due to the lack of accurate representation of hydrological processes and parameter measurements, physically-based hydrological models consist of many parameters requiring calibration to historical observations so that reliable hydrological inference can be obtained. With the increasing data availability from various sources (e.g., satellite remote sensing, climate model reanalysis), additional information on different water balance components (e.g., soil moisture, groundwater storage, etc.) are used to constrain and validate hydrological models, resulting in better model performance and parameter identifiability. However, given the emergence of multiple datasets for various water budget components, and their differences in temporal and spatial resolutions, the uncertainties in these datasets, when used together in driving and evaluating hydrological models, could introduce potential inconsistencies in water balance estimation and lead to a non-closure problem, which could result in potentially biased parameter and water balance component estimates in hydrological modelling.This study addresses this issue by examining the impact of inconsistent water balance component data on model performance and exploring the importance of hydrologically consistent data for robust hydrological inference. The assessment is done using a Canadian Hydrologic-Land Surface Models named MESH in the Saskatchewan River basin, Canada over the period of 2002 to 2016. Seven precipitation datasets, seven evapotranspiration products, one source of water storage data – GRACE from three different centers using spherical harmonic and mass concentration approaches – and observed discharge data from hydrometric stations are selected as the input and evaluation data. A reference water balance dataset is developed to optimally combine all available data sources for each water balance component and to obtain water balance closure though a constrained Kalman filter data assimilation technique. The MESH model is rerun with this reference dataset and results are assessed and compared to different combinations of input and evaluation data. Preliminary results reveal great variations of model performance in the water balance components when using different combinations of input and evaluation data and results of using the reference dataset is expected to have less biased water balance component estimates. This study aims to highlight the necessity of using a set of hydrologically consistent data before any model runs and model evaluation.
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 | 0,018 | 0,067 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».