Notice bibliographique
Résumé
Abstract. Year-round river discharge estimation and forecasting is a critical component of sustainable water resource management. However, in cold climate regions such as Canada, this basic task gets intricated due to the challenge of river ice conditions. River ice conditions are dynamic and can change quickly in a short period of time. This dynamic nature makes river ice conditions difficult to forecast. Moreover, the observation of under-ice river discharge also remains a challenge since no reliable method for its estimation has been developed till date. It is therefore an active field of research and development. The integration of river ice hydraulic models in forecasting systems has remained relatively uncommon. The current study has two main objectives: first is to demonstrate the development and capabilities of a river ice forecasting system based on coupled hydrological and hydraulic modelling approach for the Chaudière River in Québec; and second is to assess its functionality over selected winter events. The forecasting system is developed within a well-known operational forecasting platform: the Delft Flood Early Warning System (Delft-FEWS). The current configuration of the systems integrates (i) meteorological products such as the Regional Ensemble Prediction System (REPS); (ii) a hydrological module implemented through the HydrOlOgical Prediction LAboratory (HOOPLA), a multi-model based hydrological modelling framework; and (iii) hydraulic module implemented through a 1D steady and unsteady HEC-RAS river ice models. The system produces ensemble forecasts for discharge and water level and provides flexibility to modify various dynamic parameters within the modelling chain such as discharge timeseries, ice thickness, ice roughness as well as carryout hindcasting experiments in a batch production way. Performance of the coupled modelling approach was assessed using “Perfect forecast” over winter events between 2020 and 2023 winter seasons. The root mean square error (RMSE) and percent bias (Pbias) metrics were calculated. The hydrologic module of the system showed significant deviations from the observations. These deviations could be explained by the inherent uncertainty in the under-ice discharge estimates as well as uncertainty in the modelling chain. The hydraulic module of the system performed better and the Pbias was within ±10 %.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,027 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,194 | 0,159 |
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 ».