Co-developing CONUS-wide current and future hydroclimate projections to support US agency water security initiatives
Notice bibliographique
Résumé
The US Secure Water Act of 2010 requires several US agencies to report to Congress every five years on future water-related mission vulnerabilities. Over the last 15 years, 21st century climate projection datasets from the Coupled Model Intercomparison Projects (CMIP) have been downscaled and used to drive hydrologic and streamflow scenarios across the Contiguous United States (CONUS). The resulting datasets form input for federal and state agency planning, guidance and policy, for water resources applications from watershed to regional scales, and for the climate-water research community. The advent of CMIP6 has triggered the co-development of new, updated hydrologic modeling for future hydroclimate impact projections, which is proceeding via a multi-agency effort that integrates researchers with stakeholders from US federal water, climate and energy agencies. The effort has lately spurred interest in a related trans-boundary joint hydroclimate science effort between the US and Canada. This effort uses the process-oriented SUMMA land/hydrology model and mizuRoute channel routing model, which have been configured for CONUS and adjoining watersheds at a USGS HUC12 (and MERIT-Hydro) watershed resolution, a contrast to earlier grid-based modeling approaches. Several hundred CMIP6 future climate scenarios are being downscaled to drive future hydrologic assessments that are tailored to water agency planning needs.This work necessitated the creation of new strategies to upgrade existing capabilities in continental-scale process-based hydrological modelling and projections, which have been undermined by poor calibration in prior iterations. Notable innovations included a powerful new large-sample parameter estimation approach based on machine-learning (ML) emulators; creating extended (CAMELS-like) large-sample catchment datasets for model calibration and validation (using both natural and reconstructed historical streamflow observations); creating a new CONUS-wide multi-decadal high-resolution surface meteorological (forcing) dataset, derived using ML methods; and the use of water management guided performance metrics to inform model training and evaluation. This presentation summarizes the new CMIP6 hydroclimate dataset initiative, and highlights the critical role of integrated researcher-stakeholder engagement in achieving fit-for-purpose and actionable large-domain hydrology outcomes.
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 | 0,008 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
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 ».