Varying the Combination of Hydrological Models in Time and Space: Towards a More Accurate Representation of Streamflow Across Large Domains
Notice bibliographique
Résumé
Accurate predictions of streamflow are needed to manage water resources, evaluate flooding risks, and support agriculture and industry. Traditional approaches rely on single models that have limited flexibility to represent changing hydrological conditions over time and space. This study evaluates a new approach to combine dynamically multiple models to improve streamflow simulation. The Framework for Understanding Structural Errors (FUSE) was used to create an ensemble of 78 hydrological models applied to 559 catchments across the contiguous United States. Each model was calibrated to maximize either high-flow or low-flow performance, resulting in 156 simulations per catchment. The dynamic combination approach aims to assign weights to ensemble members that can vary in space and time. The method identifies past conditions similar to the current state and then weights model simulations at the current step according to their past performance under comparable conditions. Results demonstrate the benefits of this approach, especially in capturing a wider range of streamflow conditions compared to single-model simulations. The dynamic combination improves representation of spatial and temporal variability and reduces trade-offs among objective functions. Although the method shows benefits, it also has some limitations. Most importantly, our current implementation cannot predict values that fall outside the prediction envelope given by the model ensemble. Potential extensions of this work include integrating machine learning techniques for the dynamic combination component (e.g., building capabilities to extrapolate beyond the limits of the ensemble) and applying the method in other contexts such as forecasting and predicting streamflow in ungauged catchments.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».