Can runoff modeled at coarse resolution simulate floods at finer resolutions? A case study over the Ohio River Basin
Notice bibliographique
Résumé
• The VIC model with a kinematic wave routing model reasonably simulates flood statistics and reproduces flood events. • Smaller catchments with dams have large errors, but neglecting dams does not impact model results in larger basins. • VIC-simulated runoff and the subsequent routed floods are insensitive to subdaily model timesteps but are sensitive to spatial resolution. Recent studies on flood-generating mechanisms have advanced understanding of the hydrologic processes that lead to riverine flooding. Flood modeling frameworks can play a role in furthering this research, but they can be computationally intensive. This study tests the ability to simulate floods using the widely used Variable Infiltration Capacity (VIC) land surface model with a kinematic wave routing model over the Ohio River basin, which is flood-prone and topographically variable. Using 200 USGS streamflow gauges, the model estimates the median annual maximum daily flow (AMF) with an average bias of 1.8% across the gauges and the 90th percentile AMF with an average bias of 6.2% for 1979–2022. Errors tend to be larger in flatter regions and in smaller basins with dams, highlighting the role dams play in reducing flood peaks in this basin. Model experiments show that the simulated AMF is not sensitive to the subdaily model timestep, but it is sensitive to the spatial resolution, with larger grid cells resulting in underestimating AMF. Overall, this modeling framework reproduces flooding across a range of land cover, topography, and drainage area, indicating it can be used in future studies to investigate flood generating mechanisms and flood risk estimation.
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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,002 |
| 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 ».