Challenges of predicting gas transfer velocity from wind measurements over global lakes
Notice bibliographique
Résumé
Abstract Estimating air–water gas transfer velocities ( k ) is integral to understand biogeochemical and ecological processes in aquatic systems. In lakes, k is commonly predicted using wind-based empirical models, however, their predictive performance under conditions that differ from their original calibration remains largely unassessed. Here, we collected 2222 published k estimates derived from various methods in 46 globally distributed lakes to (1) evaluate the predictions of a selection of six available wind-speed based k models for lakes and (2) explore and develop new empirical models to predict k over global lakes. We found that selected k models generally performed poorly in predicting k in lakes. Model predictions were more accurate than simply assuming a mean k in only 2–39% of all lakes, however, we could not identify with confidence the specific conditions in which some models outperformed others. We developed new wind-based models in which additional variables describing the spatial coverage of k estimates and the lake size and shape had a significant effect on the wind speed- k relationship. Although these new models did not fit the global dataset significantly better than previous k models, they generate overall less biased predictions for global lakes. We further provide explicit estimates of prediction errors that integrate methodological and lake-specific uncertainties. Our results highlight the potential limits when using wind-based models to predict k across lakes and urge scientists to properly account for prediction errors, or measure k directly in the field whenever possible.
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 | 0,000 | 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) | 0,001 | 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 ».