1,721,156 research outputs found
The role of station density forredicting daily runoff by top-kriging interpolation in Austria
Full text link
Regional Calibration for a Distributed Catchment Model: an Application in North-Western Italy
No full textOne major challenge in large scale modeling is the estimation of spatially consistent distributed parameters, with a robust functional relationship to climate and landscape characteristics. We use here the newly developed PArameter Set Shuffling (PASS) approach, which is able to provide such regionally consistent parameter sets, for the calibration of the SALTO (SAme Like The Others) distributed hydrological model for about 80 catchments in North-Western Italy. The PASS method is a machine learning technique that does not require a priori assumptions on the relationship between model parameters and catchment descriptors. It instead derives these relationships from observed patterns of calibrated parameters and available catchment descriptors. The application demonstrates that the performance of the regionally calibrated distributed parameter sets is consistent with the one obtained locally, calibrating each catchment individually, implying robust results also for ungauged catchments in the area. To allow the reproducibility and repeatability of experiments, and to ease the application of the PASS approach to other case studies, an R package is under development which will be soon made available in GitHub
Anpassungsstrategien an den Klimawandel für Österreichs Wasserwirtschaft - meteorologische Grundlagen
No full text
Towards understanding the differences between deterministic and probabilistic flood hazard estimation methods
No full textCalibrazione regionale per modelli idrologici distribuiti: un’applicazione nell’Italia Nord-Occidentale
No full textUna delle principali sfide della modellistica idrologica a larga scala è la stima di parametri distribuiti che presentino una coerenza dal punto di vista spaziale, la quale si esplica in una robusta relazione funzionale con le caratteristiche climatiche e geomorfologiche del territorio in esame, qui definite descrittori di bacino. Questo studia presenta un approccio di machine learning denominato PArameter Set Shuffling (PASS), in grado di fornire set di parametri regionali da dare in input al modello idrologico concettuale distribuito SALTO (The SAme Like The Others), per circa 80 bacini dell’Italia Nord-Occidentale. Il metodo non richiede nessuna assunzione a priori sulla relazione tra i descrittori di bacino e i parametri del modello, ma deriva una o più possibili relazioni da pattern osservati di descrittori e parametri calibrati sui singoli bacini. L’applicazione ai dati italiani dimostra che la performance dei set di parametri calibrati regionalmente è consistente con quella dei parametri calibrati localmente e con altri approcci modellistici che utilizzano la calibrazione regionale, fornendo quindi un utile strumento per la modellistica anche in siti non strumentati. Inoltre, si tratta di una metodologia flessibile che può essere impiegata con svariati dataset e modelli idrologici distribuiti per la stima dei parametri. L’intera procedura applicata al caso studio, corredata dalla necessaria documentazione per l’utilizzo con altri dati e modelli, sarà raccolta in un pacchetto R, disponibile a breve in Github. Questo permette la riproducibilità e trasferibilità degli esperimenti condotti con PASS
Flood timescales: Understanding the interplay of climate and catchment processes through comparative hydrology
No full text- …
