Residual dynamics in hydrological models: insights from a large sample of catchments and models
Notice bibliographique
Résumé
The study investigates the properties of residuals from 78 hydrological models applied to 419 distinct catchments over the contiguous United States in a large multi-catchment, multi-model approach. Such dataset provides a foundation for a robust analysis, allowing for an in-depth investigation of residual characteristics. The research focuses on key properties such as sample shape properties (L-skewness and L-kurtosis) investigated with conventional L-moment diagrams (λ 4 /λ 2 vs λ 3 /λ 2 ) and L-moment diagrams adapt for symmetric distributions (λ 6 /λ 2 vs λ 4 /λ 2 ). Other investigated characteristics are residuals heteroscedasticity, and residual correlation. Additional focus of the study is how these characteristics vary across the different models, hydrological regimes, and under the application of different residual transformations. Specifically, the impact of two transformations (Box-Cox and logarithmic) is evaluated on stabilizing such properties. Additionally, the removal of seasonality is analyzed as a separate process, revealing significant effects in stabilizing higher-order moments, greatly reducing heavy-tails in residuals, even in the absence of any transformation. While the removal of seasonality has notable effects on the statistical properties of the residuals, its effect alone is limited in reducing heteroskedasticity, where transformations play instead a key role, effectively approximating a homoscedastic distribution. Upper and lower tails correlations are also investigated, showing distinct patterns different from general correlation behaviors. The findings of this study lays the groundwork for a conscious and informed construction of stochastic error models for uncertainty estimation in hydrological modelling, as well as for the development of new metrics for model calibration.
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 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».