Review of Recent Developments in Hydrologic Forecast Merging Techniques
Notice bibliographique
Résumé
Accurate forecasting in hydrologic modeling is crucial for sustainable water resource management across various sectors, where predicting extreme flow phases holds particular significance due to their severe impact on the territory. Due to the inherent uncertainties in hydrologic forecasting, relying solely on a single rainfall–runoff model may not provide reliable predictions. To address this challenge, over the years, researchers have developed and applied hydrologic forecast merging (HFM) techniques that combine multiple models or ensembles to enhance forecast accuracy, reduce uncertainty, and increase confidence in the forecast. This review summarizes the progress in HFM techniques since the early 1990s and covers developments and applications in flow simulation, uncertainty analysis, monthly and seasonal streamflow predictions, ensemble forecasts, flood forecasting, and climate change analysis. The findings indicate that while HFM techniques outperform individual models regarding forecasting efficiency, their performance across applications is not uniform. Among the different methods, Bayesian model averaging (BMA) is the most popular due to its ability to reduce uncertainty and provide accurate and reliable forecasts in deterministic and probabilistic simulations. With their application simplicity, regression techniques are also robust and efficient as they perform competitively well across different model-merging applications. While specific techniques, such as model-dependent weighted averaging and neural network methods, effectively reduce forecast uncertainty, there is still room for improving forecast accuracy across different lead times. Future research can focus on advanced HFM techniques for estimating optimal weights in time-varying domains and overcoming limitations, like simulating low flows in seasonally dry catchments.
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) | 0,002 | 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 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 ».