Improved thermal structure simulation and optimized sampling strategy for Lake Erie using a data assimilative model
Notice bibliographique
Résumé
Lake Erie has experienced substantial environmental issues (e.g., hypoxia, harmful algal blooms) for decades, which are closely related to the lake’s thermal characteristics. While three-dimensional (3D) hydrodynamic models have been widely applied to Lake Erie, challenges remain due to model representation of physical processes, errors and uncertainty in boundary conditions and forcing terms. The Great Lakes region has a relatively dense and long-term observational record, and these observational data have been used for model initialization and verification, but have not been incorporated into 3D model simulations through data assimilation (DA) to create reanalysis products or improve short-term forecasts. In this work, we developed and evaluated DA to improve thermal structure simulation of Lake Erie. Moored instrument data and satellite data are incorporated into a data-assimilative hydrodynamic model for analysis and evaluation. Results show that DA can effectively improve the model performance to create reanalysis fields when the DA formulation is appropriately developed in recognition of the dynamic complexities and anisotropic error covariances of Lake Erie. The data assimilative model also improves forecasting accuracy and restrains forecasting uncertainty to an acceptable level on a timescale of 1–7 days after being unleashed from DA. Lastly, data sampling strategies based on an error correlation map are examined. Results show the method can effectively reduce the sampling effort while still achieving similar model skills with potential for optimal design of an observation network or field sampling strategy.
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 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».