Combining large-scale and regional hydrological forecasts using simple methods
Notice bibliographique
Résumé
The development and expanded application of large-scale hydrological models has produced forecasts that often overlap with more targeted, regional hydrological forecasts. Here the possibility is explored for using simple methods to combine forecasts from a large-scale model, the Great Lakes portion of the National Surface and River Prediction System (NSRPS), and a regional system, the Système de Prévision Hydrologique (SPH) which covers southern Quebec, to improve regional forecasts. Outputs from the two forecasting systems are combined using multiple methods, including the simple mean, a weighted average in which the weights are optimized using the Kling-Gupta Efficiency (KGE), the Reduced Continuous Ranked Probability Score (RCRPS), and Ignorance Score (IGN) as cost functions, and weights calculated from the residual errors of the models. Bayesian Model Averaging (BMA) is also used to combine the probabilistic forecasts from both systems. The results show that it is possible to improve regional hydrological forecasts by using simple weighted combinations with forecasts from the large-scale system, even though the regional system performs clearly better. Performance is assessed via many well-known metrics, such as Nash-Sutcliffe Efficiency (NSE), KGE, RCRPS, and IGN. Results are averaged over 40 gauging stations and analyzed at lead times from 3 to 120 h. Improvements in all criteria for lead times over 60 h are observed, and there is no loss in performance at any lead times. Finally, the methods are used in a leave-one-out setup containing 29 validation basins to simulate performance on ungauged basins. The performance gain for ungauged basins is similar to that of the gauged basins, demonstrating that these simple methods can also improve forecasts in more remote territories where no gauging is available.
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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».