Improving hydrologic prediction in Canada using a land surface scheme with data assimilation of precipitation and streamflow
Bibliographic record
Abstract
Les modèles hydrologiques et les schèmas de surface terrestre (SST) ont été développés à des fins différentes. Naturellement, les modèles hydrologiques sont largement utilisès pour prédire l'écoulement fluvial tandis que les SST sont plutôt utilisès pour prédire les flux de la surface terrestre vers l'atmosphère. Malgré ces différences, les deux types de modèles se doivent de reprèsenter les processus hydrologiques à la surface. Cette thèse examine par simulation comment amèliorer les prèvisions de débits pour l'hydrologie ainsi que les prèvisions de flux de surface. Les éléments de la modélisation de la surface terrestre examinés comprennent: 1) une évaluation de divers produits de précipitation pour une utilisation non-couplé, 2) la représentation des processus hydrologiques latéraux dans les SST, 3) une évaluation des améliorations des estimations de l'évapotranspiration en utilisant un standard d'assimilation de données, et 4) le calcul bayésien approximatif (ABC) comme une nouvelle approche dassimilation de données pour les prévisions de débits. En termes de précipitations, une évaluation de quatre produits de précipitation couramment utilisés est alors présentée pour le centre-ouest du Canada. Les quatre produits sont modèle global environnemental multi-échelle (GEM) prévision numérique du temps (PNT), analyse canadienne de précipitations (CaPA), North American Regional Reanalysis (NARR) et Australian National University Spline (ANUSPLIN). Sur les quatre produits, CaPA se trouve être le seul produit recommandé pour l'analyse hydrologique à court terme dans la région, tandis qu'une reprévision régionale de GEM est déterminée être utile pour les études décennales des précipitations et de l'estimation des paramètres pour les études de modélisation hydrologique. Un examen de la représentation des processus hydrologiques latéraux dans les SST est aussi présenté et les principaux processus devant être pris en compte dans le développement des SAPL sont identifiés. En utilisant une méthode de calage des paramètres standard en hydrologie, une étude de cas suggère que les SST peuvent améliorer les flux de la surface terrestre à l'atmosphère en utilisant les débits et l'assimilation de données. Enfin, la méthode ABC est proposée comme méthode d'assimilation de données pour la prévision de débits dans le cadre d'une étude de cas. La méthode ABC fonctionne bien dans un exercice de prévision a posteriori des débits mais des recherches supplémentaires sont nécessaires pour surmonter les obstacles identifiés en utilisant l'approche pour la prévision des débits futurs de la rivière.
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| 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".