Enhancing streamflow ensemble forecasting: evaluating pre- and post-processing strategies for a spatially distributed model
Notice bibliographique
Résumé
Despite recent advances, streamflow ensemble forecasting systems often suffer from unreliability and under-dispersion. Improving flood forecasting quality benefits decision-makers and the public. Statistical processing methods can enhance raw forecasts. Therefore, identifying the most effective scenario among pre-processing, post-processing, or a combination of both is crucial. While most studies have focused on lumped models, more comprehensive analysis is needed for systems employing spatially distributed models. This study evaluates scenarios involving the pre-processing of both temperature and precipitation forecasts and the post-processing of streamflow forecasts in a streamflow ensemble forecasting system with a spatially distributed hydrological model. It also explores the impact of incorporating flood events and the length of the training data on the performnace of pre- and post-processing approaches through various training and validation strategies. Weighted Ensemble Dressing (WED) is coupled with two bias correction methods: Cumulative Distribution Function Matching (CDFM) and Event Bias Correction (EBC). The forecast assessment covers lead times of 1–5 days for the au Saumon watershed in southern Quebec, Canada. Although pre-processing alone marginally improves raw forecasts, it fails to fully compensate for bias in under-dispersed ensemble forecasts. The combined pre- and post-processing approach proves superior in forecast skill and reliability to other scenarios. These findings align with existing literature, reinforcing the validity of the applied methodologies within current hydrological research. Both bias correction methodsperform well with WED; CDFM is more reliable for short lead times, while EBC excels at longer lead times. Notably, incorporating flood events and optimizing data length further improve processing performance, highlighting the importance of effective data strategies in streamflow forecasting.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 ».