Local- and Large-Scale Hydrologic Forecast Merging through Time Series Features–Based Dynamic Weights Estimation Framework
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 Hydrologic forecast merging has the potential to enhance forecast accuracy by reducing uncertainties related to model structures and the spatial scale of river basins. This study explores the benefits of merging local- and large-scale forecasts to improve hydrologic predictions. Using the Repositionable Aerial Vane Environmental Network (RAVEN) modeling platform, we applied the Hydrologiska Byrans Vattenbalansavdelning–Environment Canada (HBV-EC) model in a semidistributed manner over the large Moose River basin (MRB), Northern Ontario, Canada, as the large-scale model, while three conceptual models [Génie Rural à 4 Paramètres Journalier (GR4J), the hydrological model (HYMOD), and SAC-SMA] were calibrated for two small local subbasins within the MRB. Model calibration was performed using 10 years (2012–21) of Canadian Precipitation Analysis (CaPA) data and the dynamically dimensioned search algorithm. Streamflow forecasts were generated using the Global Deterministic Prediction System dataset in real-time forecasting mode. To merge forecasts, we implemented a time series feature (TSF)-based dynamic weighting (TSF-W) approach within a Bayesian model averaging (BMA) framework and assessed performance over different lead times. Results showed that while local models performed better overall [Nash–Sutcliffe efficiency (NSE) > 0.65] than the large-scale model (NSE < 0.50), the latter captured certain hydrograph characteristics more effectively. The TSF-W merged forecasts outperformed the best local-scale model, particularly for low-flow (by 10%–80%) and high-flow (by 5%–28%) conditions and for extended lead times. These findings highlight the advantages of merging forecasts from models operating at different spatial scales using the TSF-W approach, providing operational hydrologists with more accurate and reliable forecasts for improved decision-making.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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