Key points are not available for this paper at this time.
Résumé. Le modèle hydrologique wflowₛbm, récemment publié par Deltares, dans le cadre du framework de modélisation Wflow. jl (v0. 7. 3), est utilisé pour mieux comprendre et potentiellement répondre à de multiples défis opérationnels et de planification des ressources en eau, à l'échelle du bassin versant, nationale, continentale et mondiale. Wflow. jl est un framework de modélisation hydrologique distribué, libre et open source, écrit dans le langage de programmation Julia. Le développement de wflowₛbm, la structure du modèle, les équations et les fonctionnalités sont décrits en détail, y compris des applications d'exemple de wflowₛbm. Le modèle wflowₛbm vise à trouver un équilibre entre les modèles hydrologiques à basse résolution et faible complexité et ceux à haute résolution et haute complexité. La plupart des paramètres de wflowₛbm sont basés sur des caractéristiques ou des processus physiques, et en même temps, wflowₛbm a une performance en temps d'exécution bien adaptée aux applications de modèle à grande échelle et haute résolution. Les modèles wflowₛbm peuvent être définis a priori pour tout bassin versant avec l'outil Python HydroMT-Wflow basé sur des ensembles de données globalement disponibles et à travers l'utilisation de fonctions de transfert de point-échelle (pédo) et de règles d'upscaling appropriées, et résultent généralement en une performance satisfaisante (0. 4 ≥ efficacité de Kling–Gupta (KGE) < 0. 7) à bonne (KGE ≥ 0. 7) pour le débit a priori (sans réglage supplémentaire). Wflowₛbm inclut des processus hydrologiques pertinents tels que les processus de glaciers et de neige, les processus d'évapotranspiration, la dynamique de la zone non saturée, les eaux souterraines (superficielles) et le routage d'écoulement de surface y compris les lacs et les réservoirs. Les développements prévus incluent des améliorations sur l'efficacité computationnelle et la flexibilité du schéma de routage, l'implémentation d'un module de demande et d'allocation d'eau pour la modélisation des ressources en eau, l'ajout d'un concept d'eaux souterraines profondes, et des améliorations de l'efficacité computationnelle grâce à, par exemple, l'informatique distribuée et l'accélération par unité de traitement graphique (GPU).
Verseveld et al. (Thu,) ont étudié cette question.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: