A Seasonal to Decadal Calibration of 1990–2100 Eastern Canadian Freshwater Discharge Simulations by Observations, Data Models, and Neural Networks
Notice bibliographique
Résumé
A configuration of the NCAR WRF-Hydro model was sought using well established data models to guide the initial hydrologic model setup, as well as a seasonal streamflow post-processing by neural networks. Discharge was simulated using an eastern Canadian river network at two-km resolution. The river network was taken from a digital elevation model that was made to conform to observed catchment boundaries. Perturbations of a subset of model parameters were examined with reference to streamflow from 25 gauged catchments during the 2019 warm season. A data model defines the similarity of modelled streamflow to observations, and improvements were found in about half the individual catchments. With reference to 183 gauged catchments (1990–2022), further improvements were obtained at monthly and annual scales by neural network post-processing that targets all catchments at once as well as individual catchments.This seasonal calibration was applied to uncoupled WRF-Hydro simulations for the 1990–2100 warming period. Historic and future forcing were provided, respectively, by a European Centre for Medium-Range Weather Forecasting reanalysis (ERA5), and by a WRF atmospheric model downscaling of a set of Coupled Model Intercomparison Project (CMIP) models, where the latter were also seasonally calibrated. Eastern Canadian freshwater discharge peaks at about 105m3s−1, and as previous studies have shown, there is a trend toward increasing low flows during the cold season and an earlier peak discharge in spring. By design, neural networks yield more precise estimates by compensating for different hydrologic process representations.
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 | 0,000 | 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 | 0,001 |
| 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 ».