Sensitivity analysis and calibration of a semi-distributed HBV model in the data-limited and regulated Nile River Basin
Notice bibliographique
Résumé
Study region The Nile River Basin Study focus Developing hydrologic models for large transboundary basins characterized by significant spatial variability, complexity, and limited data is a particularly challenging task. This study conducts a parameter sensitivity analysis and multi-site calibration of the Nile River Basin (NRB) semi-distributed HBV hydrologic model emulated by the Raven framework. The sensitivity analysis included 40 hydrologic and routing parameters to identify the most significant parameters at nine subbasins using the Normalized Sensitivity Coefficient (NSC) method. We then investigated five different calibration approaches, which are based on subbasin types (natural or regulated), calibration procedure, and dam operation rules’ simulation method, at fifteen subbasin outlets. New hydrologic insights for the region The results revealed 21 significant parameters to be tuned in the model calibration and therefore indicate the most relevant data to be collected in the study area. Soil parameters, including hygroscopic minimum saturation, field capacity saturation, and topsoil thickness, were top-ranked in most subbasins, except the Lake Tana subbasin, where the lake control parameter was most significant. Model calibration and validation showed good performances at natural subbasins and Blue Nile’s regulated subbasins, where dam operation rules were available with adequate details. However, performance varied at other regulated subbasins where data limitation is more severe. The calibration approach, which involves separately tuning natural subbasin parameters and simulating the annual cycle of monthly streamflow, achieved the overall best performance. This study’s findings help guide future hydrologic modelling studies in the NRB and similar basins.
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 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».