Multi-basin calibration of the ECMWF land-surface model ECLand
Notice bibliographique
Résumé
Accurately and efficiently estimating parameters for spatially distributed environmental models is impossible without proper regularization of the parameter space. The Multiscale Parameter Regionalization (MPR, Samaniego et al. 2010) makes use of high-resolution physiographic data (i.e., physiographic data such as soil maps and land cover information) to translate local land surface properties into model parameters. MPR consists of two steps: first, the high-resolution model parameters are derived from physiographic data via transfer functions at the native resolution. Second, the model parameters are upscaled to the target resolution the environmental model is applied on. MPR has already been successfully applied to the mesoscale hydrologic model (mHM, Samaniego et al. 2010, Kumar et al. 2013). An agnostic, stand-alone version implementation of MPR (Schweppe et al., 2022) allows applying this technique to any land-surface model or hydrological model.In this study, we apply MPR to optimize parameters for the land-surface model ECLand (Boussetta et al. 2021) of the ECMWF Integrated Forecasting System. ECLand is calibrated at multiple locations simultaneously to provide an improved representation of river discharge at a global scale. We demonstrate the flexibility of the MPR approach by optimizing different transfer functions including the default one used in ECLand. In particular, we will discuss how specific choices in the calibration setting (i.e., chosen model parameters and ranges, basin locations, transfer function) affect the obtained ECLand model performance. References:Samaniego L., Kumar, R., and Attinger, S.: “Multiscale parameter regionalization of a grid-based hydrologic model at the mesoscale”, Water Resour. Res., 46, 2010.Kumar, R., Samaniego, L., and Attinger, S.: “Implications of distributed hydrologic model parameterization on water fluxes at multiple scales and locations”, Water Resources Res, 2013Schweppe, R., Thober, S., Müller, S., Kelbling, M., Kumar, R., Attinger, S., and Samaniego, L.: MPR 1.0: a stand-alone multiscale parameter regionalization tool for improved parameter estimation of land surface models, Geosci. Model Dev., 15, 859–882, https://doi.org/10.5194/gmd-15-859-2022, 2022Boussetta S, Balsamo G, Arduini G, Dutra E, McNorton J, Choulga M, Agustí-Panareda A, Beljaars A, Wedi N, Munõz-Sabater J, de Rosnay P, Sandu I, Hadade I, Carver G, Mazzetti C, Prudhomme C, Yamazaki D, Zsoter E. ECLand: The ECMWF Land Surface Modelling System. Atmosphere. 2021; 12(6):723. https://doi.org/10.3390/atmos12060723
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».