Assessment of monthly to daily streamflow disaggregation methods: A case study of the Nile River Basin
Notice bibliographique
Résumé
Observed streamflow data is critical for calibrating and validating hydrologic and water management models. However, the lack of such data with the required temporal accuracy is a common challenge, impacting the developed model's reliability and accuracy. Watershed dynamics are usually well captured at a daily time scale. Therefore, properly disaggregating streamflow data from larger into shorter time scales is a crucial area of research. Many disaggregation methods were previously investigated, resulting in various relative performances without a clear indication of which one to use. Furthermore, most of these methods were tested for disaggregating variables other than streamflow. This study aims to disaggregate monthly to daily streamflow data at 14 NRB major subbasins’ outlets, i.e., Target Stations (TSs). A total of eight disaggregation methods, classified into interpolation and proportionality methods, were iteratively investigated to identify the best performing for each TS. The interpolation methods performed very well, far better than the proportionality method. However, their performances decrease at stations with high daily streamflow fluctuations. The interpolation methods’ performances are similar in mimicking the daily values but significantly different in preserving the mass balance. Therefore, the latter aspect was mainly used to select the most adequate method to be applied at the TSs. In general, the mean preserving interpolation method (i.e., Lai 22) was found the best-performing approach for disaggregating monthly to daily streamflow in the NRB.
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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».