Process based calibration of a continental-scale hydrological model using soil moisture and streamflow data
Notice bibliographique
Résumé
Nelson Churchill River Basin (NCRB), Canada, and USA. Soil temperature and moisture are essential variables that fluctuate based on soil depth, controlling several sub-surface hydrologic processes. The Hydrological Predictions for the Environment (HYPE) model’s soil profile depth can vary up to four meters, discretized into three soil layers. Here, we further discretized the HYPE subsurface domain to accommodate up to seven soil layers to improve the representation of subsurface thermodynamics and water transfer more accurately. Soil moisture data from different locations across NCRB are collected from 2013 to 2017 for model calibration. We use multi-objective optimization (MOO) to account for streamflow and soil moisture variability and improve the model fidelity at a continental scale. Our study demonstrates that MOO significantly improves soil moisture simulation from the median Kling Gupta Efficiency (KGE) of 0.21–0.66 without deteriorating the streamflow performance. Streamflow and soil moisture simulation performance improvements are statistically insignificant between the original three-layer and seven-layer discretization of HYPE. However, the finer discretization model shows improved simulation in sub-surface components such as the evapotranspiration when verified against reanalysis products, indicating a 12 % underestimation of evapotranspiration from the three-layer HYPE model. The improvement of the discretized HYPE model and simulating the soil temperature at finer vertical resolution makes it a prospective model for permafrost identification and climate change analysis.
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 | 0,000 | 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 ».