The effect of errors in the spatial

The effect of errors in the spatial rainfall representation on the streamflow predictions was examined in a limited way by comparing the behavioral simulations from three different 23-factor Monte Carlo sample populations driven by the merged rain input, the gauge input and the Morin et al. [2005] radar estimates, respectively. This comparison indicated the general superiority of the merged estimates in two ways: they provided better consistency in the behavioral factor sets across hydrograph peaks (even in multipeak events), and they replicated the observations better by providing behavioral simulations for a larger number of the observed peaks. To demonstrate the first improvement, Figure 5 shows, for each rainfall input, the simulations behavioral with respect to the first peak of event 6. For the second peak, these simulations are seen to be nonbehavioral for both gauge (consistent underestimation) and radar (consistent overestimation), but are mostly behavioral for the merged case. To exemplify the second improvement, the number of simulations behavioral to the second peak of event 6 was examined: these were 262, 69, and 0 for the merged, gauge, and improved radar estimates, respectively, thus again suggesting that the merged product is preferable.

ผลลัพธ์ (ไทย) 1:

ผลกระทบของข้อผิดพลาดในการแสดงปริมาณน้ำฝนเชิงพื้นที่บนคาดคะเน streamflow การตรวจสอบในทางที่จำกัด โดยการเปรียบเทียบแบบจำลองพฤติกรรมจากประชากรตัวอย่างมอนติคาร์โล 23 ปัจจัยสามที่ขับเคลื่อน ด้วยการป้อนข้อมูลผสานฝน ป้อนข้อมูลวัด และเรดาร์ ประเมินโมรินร้อยเอ็ด [2005] ตามลำดับ การเปรียบเทียบนี้แสดงความเหนือชั้นกว่าทั่วไปประมาณการผสานสองวิธี: พวกเขาให้ดีขึ้นอย่างสม่ำเสมอในชุดปัจจัยพฤติกรรมข้ามยอด hydrograph (แม้ในเหตุการณ์ multipeak), และพวกเขาจำลองแบบสังเกตได้ดี โดยให้จำนวนยอดสังเกตพฤติกรรมจำลอง แสดงให้เห็นถึงการปรับปรุงแรก รูปที่ 5 แสดง ฝนตกแต่ละอินพุต จำลองพฤติกรรมเกี่ยวกับช่วงแรกของเหตุการณ์ 6 สำหรับสูงสุดสอง จำลองเหล่านี้จะเห็นเป็น nonbehavioral สำหรับวัด (underestimation สม่ำเสมอ) และเรดาร์ (overestimation สม่ำเสมอ), แต่ส่วนใหญ่จะเป็นพฤติกรรมสำหรับกรณีที่ผสาน การขยายการปรับปรุงที่สอง ตรวจสอบหมายเลขของแบบจำลองพฤติกรรมถึงจุดสูงสุดที่สองของเหตุการณ์ 6: เหล่านี้ 262, 69 และ 0 สำหรับผสาน มาตรวัด และปรับปรุงประมาณการเรดาร์ ตามลำดับ ดัง อีกแนะนำว่า ผลิตภัณฑ์ที่ผสานเป็นที่นิยม

ผลลัพธ์ (ไทย) 2:

ผลของความผิดพลาดในการแสดงปริมาณน้ำฝนเชิงพื้นที่ในการคาดการณ์น้ำท่าที่ถูกตรวจสอบในทาง จำกัด โดยการเปรียบเทียบการจำลองพฤติกรรมจากสามที่แตกต่างกัน 23 ปัจจัย Monte Carlo ประชากรตัวอย่างแรงหนุนจากการป้อนข้อมูลฝนที่ผสานเข้าวัดและ Morin, et al [2005] ประมาณการเรดาร์ตามลำดับ การเปรียบเทียบนี้แสดงให้เห็นเหนือกว่าทั่วไปของประมาณการที่ผสานสองวิธีคือพวกเขาให้ความสอดคล้องที่ดีขึ้นในชุดปัจจัยพฤติกรรมข้ามยอดเขา hydrograph (แม้ในเหตุการณ์ multipeak) และพวกเขาจำลองแบบสังเกตให้ดีขึ้นโดยการให้การจำลองพฤติกรรมเป็นจำนวนมากของที่สังเกต ยอดเขา แสดงให้เห็นถึงการปรับปรุงครั้งแรกรูปที่ 5 แสดงสำหรับแต่ละการป้อนข้อมูลปริมาณน้ำฝน, การจำลองพฤติกรรมที่เกี่ยวกับยอดเขาที่แรกของการแข่งขัน 6. สำหรับจุดสูงสุดที่สอง, การจำลองเหล่านี้จะเห็นจะ nonbehavioral สำหรับทั้งมาตรวัด (เบาสอดคล้องกัน) และเรดาร์ ( เช็คสเปียร์ที่สอดคล้องกัน) แต่ส่วนใหญ่จะเป็นพฤติกรรมสำหรับกรณีที่ผสาน เพื่อเป็นตัวอย่างการปรับปรุงที่สองจำนวนของการจำลองพฤติกรรมยอดเขาที่สองของเหตุการณ์ 6 ถูกตรวจสอบเหล่านี้เป็น 262, 69 และ 0 รวม, วัด, และปรับปรุงประมาณการเรดาร์ตามลำดับดังนั้นอีกครั้งบอกว่าผลิตภัณฑ์ที่ผสานเป็น ดีกว่า

ผลลัพธ์ (ไทย) 3:

ผลของข้อผิดพลาดในการฝนเชิงพื้นที่ของข้อมูลการคาดการณ์ถูกตรวจสอบในทาง จำกัด โดยการเปรียบเทียบผลพฤติกรรมจาก 3 23 Monte Carlo ตัวอย่างประชากรปัจจัยขับเคลื่อนโดยรวมฝนเข้า วัดเข้าและโมริน et al . [ เรดาร์ ] ประมาณปี 2548 ตามลำดับ การเปรียบเทียบนี้แสดงความเหนือกว่าของนายพลรวมประมาณสองวิธี : พวกเขามีความสอดคล้องกันในด้านพฤติกรรมดีกว่าชุดข้ามยอดเขากระเรียน ( แม้แต่ในเหตุการณ์สามารถ ) , และแบบสังเกตพฤติกรรมที่ดี โดยการให้จำลองสำหรับจำนวนขนาดใหญ่ของจากยอดเขา เพื่อแสดงให้เห็นถึงการปรับปรุงครั้งแรก รูปที่ 5 แสดงสำหรับแต่ละฝนตกใส่ , การจำลองพฤติกรรมด้วยความเคารพสูงสุดครั้งแรกของงาน 6 . สำหรับช่วงที่สอง , จำลองเหล่านี้จะเห็นเป็น nonbehavioral ทั้งวัด ( การการประเมินค่าต่ำไปที่สอดคล้องกัน ) และเรดาร์ ( ประเมินมากเกินไปที่สอดคล้องกัน ) แต่ส่วนใหญ่จะเป็นพฤติกรรมที่ผสานคดี จะยกตัวอย่างการปรับปรุงที่สอง หมายเลขของการจำลองพฤติกรรมจุดสูงสุดที่สองของเหตุการณ์ 6 ระดับ : เหล่านี้เป็น 262 , 69 , 0 สำหรับผสาน , วัด , และปรับปรุงเรดาร์ประมาณการตามลำดับ ดังนั้น แนะนำว่า หาอีกผลิตภัณฑ์เป็นที่นิยม