How Spatial Resolutions Impact the Large‐Scale River Hydrodynamic Model Simulations: Analysis Focuses on Model Physics
Notice bibliographique
Résumé
Abstract Large‐scale hydrodynamic models are vital for flood risk assessment and understanding the global water cycle; however, their results can include uncertainties related to spatial resolution. Few studies have evaluated hydrodynamic models across a range of spatial resolutions, with most focusing on a few variables (e.g., discharge) and often neglecting performance at ungauged sites or the role of parameter optimization. We addressed these limitations by comparing Catchment‐based Macro‐scale Floodplain (CaMa‐Flood) model simulations in the Amazon River basin at different spatial resolutions, using the higher resolution as a benchmark in each comparison. We found good inter‐resolution performance in simulating discharge and water depth, with coefficients of determination exceeding 0.88 in >80% of locations. The normalized Nash–Sutcliffe efficiencies for discharge and water depth were greater than 0.83 and 0.68, respectively, in more than 75% of locations, suggesting that most locations had consistent hydrodynamics. We detected large discrepancies in discharge between simulations at ∼2.5% of locations due to limited representation of bifurcation flow, floodplain conveyance, and backwater at river confluences in the model. Water depth also differed significantly at ∼3% of locations, mainly at headwaters, due to width bottleneck sections. Flood extent patterns differed minimally between simulations around the main stream and large sub‐streams, whereas improvements in the downscaling method are required for small sub‐streams. Our results demonstrate the need to improve the representation of bifurcation channels and floodplain parameterization for specific locations, although the general river hydrodynamics patterns were well‐captured by computationally efficient moderate‐resolution (i.e., 6 arcmin) CaMa‐Flood simulations.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».