Assessing the National Water Model’s Streamflow Estimates Using a Multi-Decade Retrospective Dataset across the Contiguous United States
Notice bibliographique
Résumé
The goal of this study is to evaluate the performance of the National Water Model (NWM) in time and space across the contiguous United States. Retrospective streamflow simulations were compared to records from 3260 USGS gauging stations, considering both regulated and natural flow conditions. Statistical metrics, including Kling–Gupta efficiency, Percent Bias, Pearson Correlation Coefficient, Root Mean Squared Error, and Normalized Root Mean Squared Error, were employed to assess the agreement between observed and simulated streamflow. A comparison of historical trends in daily flow data between the model and observed streamflow provided additional insight into the utility of retrospective NWM datasets. Our findings demonstrate a superior agreement between the simulated and observed streamflow for natural flow in comparison to regulated flow. The most favorable agreement between the NWM estimates and observed data was achieved in humid regions during the winter season, whereas a reduced degree of agreement was observed in the Great Plains region. Enhancements to model performance for regulated flow are necessary, and bias correction is crucial for utilizing the NWM retrospective streamflow dataset. The study concludes that the model-agnostic NextGen NWM framework, which accounts for regional performance of the utilized model, could be more suitable for continental-scale hydrologic prediction.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».