Comment on egusphere-2024-2133
Notice bibliographique
Résumé
Abstract. Climate change impact studies are essential for understanding the effects on water resources under changing climate conditions. This paper assesses the effectiveness of Long Short-Term Memory (LSTM) neural networks versus traditional hydrological models for these studies. Traditional hydrological models, which rely on historical climate data and simplified process parameterization, are scrutinized for their capability to accurately predict future hydrological streamflow in scenarios of significant warming. In contrast, LSTM models, known for their ability to learn from extensive sequences of data and capture temporal dependencies, present a viable alternative. This study utilizes a domain of 148 catchments to compare four traditional hydrological models, each calibrated on individual catchments, against two LSTM models. The first LSTM model is trained regionally across the study domain of 148 catchments, while the second incorporates an additional 1,000 catchments at the continental scale, many of which are in climate zones indicative of the future climate within the study domain. The climate sensitivity of all six hydrological models is evaluated using four straightforward climate scenarios (+3 °C, +6 °C, -20 %, and +20 % mean annual precipitation), as well as using an ensemble of 22 CMIP6 GCMs under the SSP5-8.5 scenario. Results indicate that LSTM-based models exhibit a different climate sensitivity compared to traditional hydrological models. Furthermore, analyses of precipitation elasticity to streamflow and multiple streamflow simulations on analogue catchments suggest that the continental LSTM model is most suited for climate change impact studies, a conclusion that is also supported by theoretical arguments.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,018 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,254 | 0,178 |
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 ».