Quantifying the evolution of ensemble water temperature forecasts as a function of weather forecast lead-time: case study on the Nechako River watershed
Notice bibliographique
Résumé
Producing and improving hydrological and hydrodynamic forecasts while accounting for uncertainty through a probabilistic approach is useful in various applications, such as for water temperature forecasting. To produce such ensembles, probabilistic meteorological forecasts can be fed into hydrological and water temperature models for different lead-times. This study aims to gauge the impact of the meteorological forecast quality on the accuracy and reliability of water temperature forecast ensembles generated through the HEC-RAS process-based hydrothermal model. The Nechako River, a managed river system in British Columbia, Canada, is used in this case study. The thermal forecasts were generated and evaluated from 2017 to 2020. The tested hypothesis is that improvements in the meteorological forecasts would result in reducing the uncertainty and improving the accuracy of the water temperature forecast ensembles at various lead-times. The results of this study show that the thermal forecasts were indeed improved in terms of their sharpness and their individual accuracy, but no significant impacts were noted over the accuracy of the ensembles. Reliability was also investigated, and it was revealed that water temperature forecast ensembles were initially under-dispersed over the Nechako River, and that this issue was exacerbated when the HEC-RAS model was forced with better quality ensemble weather forecasts. The presence of lakes along the river and the meteorological forecast’s reliability are considered and discussed as causes for this issue. Overall, it was concluded that a reduction of the meteorological inputs’ uncertainty did not improve the uncertainty representation of water temperature forecasts for this system.
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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».