Assimilation de données d'humidité des sols pour la prévision de crues : comparaison d'un modèle pluie-débit conceptuel et d'un modèle intégrant une interface sol-végétation-atmosphère
Bibliographic record
Abstract
Le but de cet article est de présenter une méthodologie de mise à jour des paramètres de modèles pluie-débit en période de crue. Elle a été mise au point afin d'améliorer un des aspects de la gestion des réservoirs dans un contexte opérationnel de protection contre les crues: la réduction des incertitudes sur la prévision des débits. L'originalité de la méthode proposée réside dans le fait que l'on utilise non seulement une information sur les débits mais aussi une information sur l'humidité du sol. L'objectif de l'étude est d'évaluer l'intérêt de l'introduction de cette information supplémentaire. Pour cela, les données d'humidité du sol sont introduites au sein du modèle par l'intermédiaire d'une relation de passage établie entre l'humidité mesurée in situ et l'humidité calculée implicitement ou explicitement par les modèles. Cette méthodologie a été testée dans le cadre du projet européen AIMWATER sur quatre sous-bassins de la Seine en amont de Paris (France). Deux modèles pluie-débit sont utilisés dans cette étude, un modèle conceptuel semi-emprique et un modèle conceptuel couplé à un schéma de surface simulant une interface sol-végétation-atmosphère et permettant de calculer l'évolution de l'humidité du sol à différentes profondeurs. Cette approche comparative étudie l'intérêt d'un tel modèle couplé par rapport au modèle conceptuel semi-empirique sans représentation explicite des phénomènes se produisant à l'interface sol-végétation-atmosphère.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".