.png){kind=icon}
返回
Technical note: Benchmarking large-domain model performance under sampling uncertainty
.png){kind=icon}
OA
AI
DOI：10.5194/hess-30-3439-2026.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
摘要。大流域水文模型研究正变得越来越普遍。然而，对这些模型的评估通常仅限于使用聚合性能得分来显示模型精度的高低。此外，这些得分固有的不确定性（即采样不确定性），源于计算所用时间周期的选择，往往未被考虑。本文使用一系列简单基准，同时考虑这种采样不确定性，为一个大流域水文模型的性能得分提供背景信息。这些基准是预测目标变量的简单方法，包括长期日平均流量、按平均降雨径流比缩放的日降水量，以及一个基本的2参数模型，代表流域对降水输入的扩散响应。我们的测试案例包括美国大约4900个流域的美国国家水文模型v3.0的模拟结果。基准表明，在用于模型校准的大约三分之一的流域和模型参数区域化的约一半流域中，模型性能存在相当大的约束。采样不确定性影响有限：在大多数流域中，模型要么明显优于基准，要么明显劣于基准；尽管在许多案例中，采样不确定性使得难以明确区分模型和基准的性能。基准优于模型的区域仅部分与模型性能得分较低的区域重叠，这表明改进可能比初步观察模型性能值所指示的区域更广泛。使用这些基准的一个关键优势是它们易于且快速计算，尤其是与配置和运行模型的成本相比。这使得基准测试成为一种有价值的工具，能够通过快速识别需要更彻底调查的区域，来补充更详细的模型评估技术。
期刊
IF:
5.8
论文数:
6.0K
被引数:
2.8W
机构
查看更多机构
引用论文
暂无论文信息