Évaluation de l’utilisation des données des réanalyses ERA5 \net ERA5-Land pour la modélisation de l’évapotranspiration
Bibliographic record
Abstract
Cette étude se penche sur la valeur ajoutée de l’utilisation de données des réanalyses ERA5 et ERA5-Land pour l’estimation de l’évapotranspiration en modélisation hydrologiques. Les outils de modélisation (modèles et formules internes) doivent être ajustés localement et ne permettent souvent pas d’extraire des résultats intermédiaires à la réponse finale par manque de représentativité physique à l’interne même des modèles. Malheureusement, l’utilisation de ces outils se fait aussi par défaut de disponibilité suffisante en données hydrologiques et climatiques. Dans le but d’explorer le chemin vers des outils plus représentatifs, l’étude utilise de nouvelles données qui sont beaucoup plus exhaustives que les observations, permettant l’essai de formules à bases physiques pour caractériser les processus sous-jacents d’un modèle hydrologique. Plus précisément les données de réanalyses de dernière génération ERA5 et ERA5-Land. À ces données est couplé l’essai de 14 différentes estimations de l’évapotranspiration. Cet agencement permet de tester le potentiel de l’utilisation de formulation d’évapotranspiration potentielle (ETP) plus physique sur les résultats en modélisation hydrologique et donc d’ouvrir la porte vers ces changements. Afin d’assurer une généralisation la plus grande de cette étude, 1169 bassins versants sont analysés. Ils sont répartis sur l’ensemble de l’Amérique du Nord, donc au Canada, aux États-Unis et au Mexique. À cela s’ajoute l’utilisation de deux modèles hydrologiques. L’analyse des résultats se fait par l’entremise de la qualité de la modélisation, qui est jugée par la valeur du critère de performance de Kling-Gupta (KGE). Les observations restent le chef de file si l’on ne considère que les valeurs de KGE obtenues en calibration. Il y a toutefois des exceptions pour les régions montagneuses comme les rocheuses au Canada, les régions plus au nord du Canada et pour le Mexique. Dans ces cas, de meilleurs résultats en calibration avec les données de réanalyses (ERA5 et ERA5-Land) sont observables. Somme toute, la supériorité en calibration des observations ne sous-entend pas de mauvais résultats pour les données de réanalyses. Les résultats en modélisation hydrologique pour les combinaisons utilisant l’ETP à base plus physique montrent qu’il est possible d’obtenir des modèles aussi bien calibrés que par l’entremise de formulations d’ETP plus simples et plus empiriques. En général, certaines formulations plus simples génèrent de meilleurs résultats et il y a une difficulté notable en modélisation dans la région centrale des États-Unis. Somme toute, l’étude montre le potentiel en modélisation hydrologique favorable des réanalyses ainsi que le potentiel des données de réanalyses combinées à des méthodes à base plus physiques afin d’estimer l’ETP.
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 | 0.005 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
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".