Using national hydrologic models to obtain regional climate change impacts on streamflow basins with unrepresented processes
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Climate change is increasingly impacting water availability. National-scale hydrologic models simulate streamflow resulting from many important processes, but often without processes such as human water use and management activities. This work explores and tests methods to account for such omitted processes using one national-scale hydrologic model. Two bias correction methods, Flow Duration Curve (FDC) and Auto-Regressive Integrated Moving Average (ARIMA), are tested on streamflow simulated by the US Geological Survey National Hydrologic Model (NHM-PRMS), which omits irrigation pumping. A semi-arid agricultural case study is used. FDC and ARIMA perform better for correcting low and high flows, respectively. A hybrid method performs well at both low and high flows; typical Nash-Sutcliffe values increased from <-1.00 to about 0.75. Results suggest methods with which national-scale hydrologic models can be bias-corrected for omitted processes to improve regional streamflow estimates. Utility of these correction methods in simulation of future projections is discussed. • Bias correction methods improve streamflow results from National Hydrologic Model. • FDC and ARIMA methods perform better in low flows and high flows respectively. • Hybrid FDC-ARIMA increased NSE values from <-1 to 0.75 in human-dominated region.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle