From threat to opportunity: Hydrologic uncertainty regionalization across large domains
Notice bibliographique
Résumé
The study was carried out in Northern Canada (90,000 km2) and Southern Canada (18,000 km2). These basins represent case studies with a larger application target of high latitude regions. As model domains become large, ungauged basins are inevitably encountered, and basin heterogeneity increases. This study aims to develop the computationally frugal Model Agnostic Uncertainty Transfer (MAUT) method to regionalize an uncertainty analysis from a set of donor basins to a receiver. The goal is an evaluation of the MAUT method for regionalizing over sufficiently heterogeneous domains to be applicable to high latitude data sparse regions. We propose the Model Agnostic Uncertainty Transfer (MAUT) method, a surrogate method to perform uncertainty analysis in large-domain modelling with a focus on high-latitude regions where data scarcity is especially severe. With the MAUT method, antecedent precipitation and simulated flow are related. Deviation from this relationship is assumed to represent modelling uncertainty and is quantified by quantile regression lines. These lines act as transfer functions requiring only antecedent precipitation to generate uncertainty bounds. The MAUT method requires uncertainty donors and a target receiver model. Key results suggest the method is relatively insensitive to precipitation dataset differences. Simulation length was the most sensitive input, with 15–20 years being ideal for reasonable results. Overall, the MAUT method is viable for high latitude domains.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».