Improving rainfall-runoff modeling in the Mekong river basin using bias-corrected satellite precipitation products by convolutional neural networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Accurate rainfall-runoff (RR) modeling is crucial for effective Mekong River Basin (MRB) water resource management. Satellite precipitation products (SPPs) can offer valuable data for such modeling; however, these products often exhibit biases that may adversely affect hydrological simulations. This study aimed to improve RR modeling using bias-corrected SPPs and the Soil and Water Assessment Tool (SWAT) model for MRB. A convolutional neural network-based deep learning framework was employed to correct biases in four SPPs (TRMM, PERSIANN-CDR, CHIRPS, and CMORPH), resulting in four respective bias-corrected SPPs (ADJ_TRMM, ADJ_CDR, ADJ_CHIR, and ADJ_CMOR). The bias-corrected products were compared against a gauge-based dataset in terms of rainfall analysis, and their performance within the SWAT model was assessed over calibration (2004-2013) and validation (2014-2015). Bias-corrected products demonstrated superior performance in rainfall analysis, with ADJ_TRMM outperforming other products. The SWAT model calibration results showed satisfactory performance across all stations, with a Nash-Sutcliffe Efficiency (NSE) ranging from [0.76-0.87]. Integrating bias-corrected SPPs into the SWAT model significantly increased the RR simulations in the MRB, indicated by higher NSE values [0.72-0.85] compared to uncorrected SPPs [-0.37 to 0.85] at the Kratie station. Besides, the inconsistent performance of bias-corrected products between rainfall analysis and RR modeling was observed, with ADJ_CDR outperforming ADJ_TRMM in the SWAT model. These results highlight the significance of using bias-corrected SPPs in hydrological modeling applications, especially in areas with limited ground-based precipitation data, and highlight the need for further research to refine bias correction methods and address the limitations of the SWAT model.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle