A theoretical appraisal of the GR4J rainfall-runoff modelling framework
Notice bibliographique
Résumé
The GR4J (Génie Rural à 4 paramètres Journalier) model is a widely used conceptual rainfall-runoff model that simulates river flow from daily precipitation and potential evapotranspiration data. This article presents a theoretical appraisal of GR4J with two primary objectives: (1) to establish clearer links between its heuristic components and physically-based hydrological processes, and (2) to identify practical modifications to minimise the need for operator splitting within its analytical solution framework. We show that GR4J’s soil water model is mathematically identical to the Probability Distributed Model (PDM), although it employs a fixed probability density function that resembles a log-normal distribution, while its empirical unit hydrograph can be moment-matched with a diffusion wave model derived from the Saint-Venant equations. Furthermore, while percolation can be conceptually appropriate for some catchments, we demonstrate that operator splitting can be entirely avoided by omitting percolation, assuming inter-catchment groundwater exchange is a linear function of discharge rate and adopting an alternative exponential storage function analytical solution for the non-linear flow routing store. We propose a revised model structure that is more physically interpretable and computationally efficient than the original GR4J formulation. Testing our modifications across 671 catchments in the UK revealed minimal impacts on model calibration and validation performance. This work provides a deeper theoretical basis for key empirical aspects of GR4J and introduces an operator-splitting-free formulation expected to yield more numerically reliable results.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».