The Unexploited Treasures of Hydrological Observations Beyond Streamflow for Catchment Modeling
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
ABSTRACT While measured streamflow is commonly used for hydrological model evaluation and calibration, an increasing amount of data on additional hydrological variables is available. These data have the potential to improve process consistency in hydrological modeling and consequently for predictions under change, as well as in data‐scarce or ungauged regions. Here, we show how these hydrological data beyond streamflow are currently used for model evaluation and calibration. We consider storage and flux variables, namely snow, soil moisture, groundwater level, terrestrial water storage, evapotranspiration, and altimetric water level. We aim at summarizing the state‐of‐the‐art and providing guidance for the use of additional hydrological variables for model evaluation and calibration. Based on a review of the current literature, we summarize observation methods and uncertainties of currently available data sets, challenges regarding their implementation, and benefits for model consistency. The focus is on catchment modeling studies with study areas ranging from a few km 2 to ~500,000 km 2 . We discuss challenges for implementing alternative variables that are related to differences in the spatio‐temporal resolution of observations and models, as well as to variable‐specific features, for example, discrepancy between observed and simulated variables. We further discuss advancements required to deal with uncertainties of the hydrological data and to integrate multiple, potentially inconsistent datasets. The increased model consistency and improvement shown by most reviewed studies regarding the additional variables often come at the cost of a slight decrease in streamflow model performance.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle