Application of weather post-processing methods for operational ensemble hydrological forecasting on multiple catchments in Canada
Notice bibliographique
Résumé
Hydrological forecasts contain biases that need to be addressed for their effective use in operational decisionmaking \nin water resources management. Performing post-processing allows reducing the overall systematic \nbias while improving the distribution and accuracy of hydrological forecasts. In this study, a Quantile Mapping \n(QM) post-processing method was applied on weather forecasts following three temporal configurations \n(monthly, seasonal, and annual) of the quantile mapping scheme. The evaluation encompasses 20 catchments in \nsouthern Canada, employing a leave-one-out approach with the QM method on ECMWF ensemble weather \nforecasts spanning 2015–2020 inclusively. These processed forecasts are subsequently utilized as forcings for \neight hydrological models, generating ensemble streamflow forecasts over a 6-year period with a lead time of 10 \ndays and a sub-daily timestep of 6 h. The performance of the QM method is mainly assessed using the Continuous \nRanked Probability Score (CRPS) metric, in complement with a forecast reliability score (ABDU) and a forecast \nsharpness metric (NMIQR). Significant improvements are discerned in precipitation forecasts upon the application \nof QM. Notably, these improvements are translated into enhanced hydrological forecasts for over half of \nthe catchments studied (55 %). Surprisingly, no discernible differences in performance are observed among the \nthree QM configurations in most catchments. Interestingly, there are watersheds where the implementation of \nQM exhibit either poorer or no change in performance and sharpness compared to raw forecasts
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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».