Evaluating and improving modeled turbulent heat fluxes across the North American Great Lakes
Notice bibliographique
Résumé
Turbulent fluxes of latent and sensible heat are important physical processes that influence the energy and water budgets of the North American Great Lakes. These fluxes can be measured in situ using eddy covariance techniques and are regularly included as a component of lake–atmosphere models. To help ensure accurate projections of lake temperature, circulation, and regional meteorology, we validated the output of five algorithms used in three popular models to calculate surface heat fluxes: the Finite Volume Community Ocean Model (FVCOM, with three different options for heat flux algorithm), the Weather Research and Forecasting (WRF) model, and the Large Lake Thermodynamic Model. These models are used in research and operational environments and concentrate on different aspects of the Great Lakes' physical system. We isolated only the code for the heat flux algorithms from each model and drove them using meteorological data from four over-lake stations within the Great Lakes Evaporation Network (GLEN), where eddy covariance measurements were also made, enabling co-located comparison. All algorithms reasonably reproduced the seasonal cycle of the turbulent heat fluxes, but all of the algorithms except for the Coupled Ocean–Atmosphere Response Experiment (COARE) algorithm showed notable overestimation of the fluxes in fall and winter. Overall, COARE had the best agreement with eddy covariance measurements. The four algorithms other than COARE were altered by updating the parameterization of roughness length scales for air temperature and humidity to match those used in COARE, yielding improved agreement between modeled and observed sensible and latent heat fluxes.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».