Assessment of Suitability of Gridded Precipitation Data for Hydrological Simulation in Eastern Himalaya: A Case Study
Notice bibliographique
Résumé
Gridded precipitation datasets have been effectively employed in hydrological modeling in absence of gauge data. The study assessed the applicability of five spatially distributed precipitation datasets, Indian Meteorological Department [IMD] (gauge-interpolated), Climate Forecast System Reanalysis [CFSR] (reanalysis), Tropical Rainfall Measuring Mission [TRMM] (satellite-based), Precipitation Estimation From Remotely Sensed Information using Artificial Neural Networks [PERSIANN-CDR] (satellite-based), and Asian Precipitation – Highly-Resolved Observational Data Integration Towards Evaluation of Water Resources [APHRODITE] (gauge-interpolated), for hydrological modeling in an Eastern Himalayan basin. These gridded datasets were input to the Soil and Water Assessment Tool (SWAT), which was calibrated using the SWAT-CUP SUFI2 algorithm. Based on monthly simulated results, the CFSR gridded dataset outperformed others. Streamflow underprediction was also acceptable for the entire study period. IMD and TRMM performed satisfactorily in calibration but failed to perform in validation. APHRODITE and PERSIANN showed good correlation, but due to the overall low rainfall estimation, the data failed to produce satisfactory results and hence is considered unsuitable for hydrological simulation. The TRMM model simulation had the best overall trend against the observed data but failed to match the peaks. The study concluded that CFSR can be alternatively used for modeling in the absence of gauge data for the mountainous river basins of Eastern Himalaya.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».