Analysis of parameter uncertainty in SWAT model using a Bayesian Box–Cox transformation three-level factorial analysis method: a case of Naryn River Basin
Notice bibliographique
Résumé
Abstract Hydrological models are often plagued by substantial uncertainties in model parameters when analyzing water balance, predicting long-time streamflow, and investigating climate-change impact in watershed management. In this study, a Bayesian Box–Cox transformation three-level factorial analysis (BBC-TFA) method is developed for revealing the influence of parameter uncertainty on the runoff in the Naryn River Basin. BBC-TFA cannot only quantify the uncertainty through Bayesian inference but also investigate the individual and interactive effects of multiple parameters on model output. Main findings disclose that: (i) the contribution rate of runoff potential parameter during the non-melting period reaches 88.22%, indicating a flood risk in the rainy season; (ii) the contribution rate of snow temperature lag factor is the highest during the snow-melting period and the entire year (respectively occupying 76.69 and 53.70%), indicating that the glacier melting exists in the Naryn River Basin throughout the year; (iii) the Box–Cox transformation can successfully remove residual variance and enhance the correlation between input and output variables. These findings serve to revealing the presence of glacial resources in the study basin and the significant runoff during the rainy season. Policymakers can consider water storage during the rainy season while developing glacier resources to alleviate water scarcity.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».