Runoff Prediction in the Xiangxi River Basin Under Climate Change: The Application of the HBV-XGBoost Coupled Model
Notice bibliographique
Résumé
Global warming has made water resources more uneven in space and time, making water management harder. This study used the HBV-XGBoost model to see how climate change affects runoff in the Xiangxi River Basin. The HBV model simulated water processes, and XGBoost improved predictions by handling complex relationships. This study used the SDSM to create climate data for 2025–2100 and looked at runoff trends under different emission scenarios. The HBV-XGBoost model performed better than the HBV model in simulating runoff. Future predictions showed big differences in runoff trends under various SSP scenarios in the 2040s and 2080s. For example, under SSP585, the ACCESS-CM2 model projected a May runoff increase from 1527.52 m3/s to 2344.42 m3/s by the 2080s, and ACCESS-ESM1-5 projected an increase from 1462.11 m3/s to 2889.58 m3/s. All GCMs predicted a large rise in annual runoff under SSP585 by the 2080s, with FGOALS-g3 showing the highest growth rate of 76.54%. The model accurately simulated runoff changes and provided useful insights for adapting water management to climate change. However, this study has limitations, including uncertainties in machine learning models, potential input data biases, and varying applicability under different conditions. Future work should explore more climate models and downscaling methods to improve accuracy and consider local policies to better address climate impacts on water resources.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».