Plus-value hydrologique du post-traitement de la prévision météorologique d'ensemble
Bibliographic record
Abstract
La prévision d’ensemble hydrologique est devenue un élément clé pour atténuer les effets des catastrophes naturelles (crues et sécheresses) et pour aider à la gestion des barrages (gestion du risque et de la ressource). Une approche probabiliste permet de représenter l’incertitude de prévision et de faciliter la prise de décision. Dans cette étude, un système automatique de prévision d’ensemble du débit tenant compte des principales sources d’incertitude est utilisé. L’incertitude météorologique est décrite en utilisant des prévisions d’ensemble météorologiques (MEPS) qui, malgré des améliorations constantes, peuvent rester localement biaisées et/ou peu fiables. Ces deux problèmes peuvent affecter la qualité de la prévision du débit et les décisions qui en résultent. Cette étude vise à évaluer si un post-traitement de la prévision météorologique est utile pour améliorer la prévision du débit produite par un système quantifiant les principales sources d’incertitude. Deux techniques de post-traitement météorologique sont utilisées pour corriger des prévisions de précipitation ECMWF : “Censored, Shifted Gamma Distribution” (CSGD) et “Distribution-based scaling” (DBS). Les prévisions de précipitations brutes et post-traitées sont utilisées pour forcer 20 modèles hydrologiques et obtenir des prévisions d’ensemble de débits. L’incertitude liée aux conditions initiales sont décrites par une assimilation de données (filtre d’ensemble de Kalman). Le post-traitement de la prévision de précipitation est évalué sur les sous-bassins de la rivière Gatineau au Québec en utilisant une évaluation multi-critères (diagramme de fiabilité, MCRPS...). Les résultats montrent une amélioration de la prévision météorologique en termes de fiabilité pour tous les bassins. Cette amélioration dépend de la quantité de précipitations, de l’horizon de prévision et de la saison. Les améliorations en termes d’exactitude sont plus modérées. Cependant, l’amélioration de la qualité de la prévision de précipitation a un impact faible sur la prévision du débit.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".