A Physically Based Method for Real‐Time Monitoring of Tidal River Discharges From Water Level Observations, With an Application to the St. Lawrence River
Notice bibliographique
Résumé
Abstract A fast, physically based, fully nonlinear, and nonsteady reach‐averaged river model is developed to provide instantaneous freshwater discharge rates in the tidally influenced stretch of the St. Lawrence River (Canada) from water level measurements alone at two tide gauge stations. The model does not require any a priori knowledge of the river geometry (width and depth) or hydraulic conditions (hydraulic slope and friction coefficient) as those parameters are inferred by inverse modeling. The model is fast in that several decades of hourly discharges can be reproduced in few seconds on any modern desktop computer. The method is accurate in that it reproduces to within 3% the observed tidal discharge variability at 8 different cross‐sections distributed along the tidally influenced portion of the St. Lawrence River. Although much simpler, the new method performs as well as, or better than, much more sophisticated models for reproducing daily and monthly discharge averages. Being physically based, it is also shown that the model can perform well outside the limited range of measurements that are generally available for calibration. The method is simple and easy to manage in that the main function only contains a few lines of code such that it could be readily implemented as a tool for real‐time discharge monitoring of the St. Lawrence River near Québec City. Being physically based, the model developed here could likely be applied more generally to highly unsteady tidal rivers with flow reversals.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».