FROSTBYTE: A reproducible data-driven workflow for probabilistic seasonal streamflow forecasting in snow-fed river basins across North America
Notice bibliographique
Résumé
Seasonal streamflow forecasts provide key information for decision-making in sectors such as water supply management, hydropower generation, and irrigation scheduling. Principal component regression (PCR) stands as a well-established and widely used data-driven method for seasonal streamflow forecasting, offering advantages over more complex methods, including intuitive use of local data to represent key hydrological processes and low computational resource requirements.We will present FROSTBYTE, a systematic and reproducible data-driven workflow for probabilistic seasonal streamflow forecasting in snow-fed river basins. FROSTBYTE is available on GitHub as a collection of Jupyter Notebooks, facilitating broader applications in cold regions and contributing to the ongoing advancement of methodologies. This structured workflow consists of five essential steps: 1) Regime classification and basins selection, 2) Streamflow pre-processing, 3) Snow Water Equivalent (SWE) pre-processing, 4) Forecasting using PCR, and 5) Hindcast verification. It was applied to 75 basins characterized by a snowmelt-driven regime and limited regulation across diverse North American geographies and climates. Ensemble hindcasts of winter to summer streamflow volumes were generated from 1979 to 2021, with initialization dates ranging from January 1st to September 1st. The hindcasts were evaluated with a user-oriented approach, tailored to offer insights for snow monitoring experts, forecasters, decision-makers, and workflow developers. Join us to learn more about FROSBYTE, and explore ways in which you can actively contribute to its development.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,028 | 0,013 |
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 ».