Simulation of surface temperature and ice cover of large northern lakes with 1-D models: a comparison with MODIS satellite data and <i>in situ</i> measurements
Notice bibliographique
Résumé
Lake surface temperature (LST) and ice phenology were simulated for various points differing in depth on Great Slave Lake and Great Bear Lake, two large lakes located in the Mackenzie River Basin in Canada's Northwest Territories, using the 1-D Freshwater Lake model (FLake) and the Canadian Lake Ice Model (CLIMo) over the 2002–2010 period, forced with data from three weather stations (Yellowknife, Hay River and Deline). LST model results were compared to those derived from the Moderate Resolution Imaging Spectroradiometer (MODIS) aboard the Earth Observing System Terra and Aqua satellite platforms. Simulated ice thickness and freeze-up/break-up dates were also compared to <em>in situ</em> observations. Both models showed a good agreement with daily average MODIS LSTs on an annual basis (0.935 ≤ relative index of agreement ≤ 0.984 and 0.94 ≤ mean bias error ≤ 4.83). The absence of consideration of snow on lake ice in FLake was found to have a large impact on estimated ice thicknesses (25 cm thicker on average by the end of winter compared to <em>in situ</em> measurements; 9 cm thicker for CLIMo) and break-up dates (6 d earlier in comparison with <em>in situ</em> measurements; 3 d later for CLIMo). The overall agreement between the two models and MODIS LST products during both the open water and ice seasons was good. Remotely sensed data are a promising data source for assimilation into numerical weather prediction models, as they provide the spatial coverage that is not captured by <em>in situ</em> data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».