MétaCan
Menu
Retour à la cohorte
Enregistrement W3209790213 · doi:10.5281/zenodo.3890487

GEM-Hydro gridded simulations for the Great Lakes Runoff Inter-comparison Project for Lake Erie (GRIP-E)

2020· dataset· en· W3209790213 sur OpenAlexaffabout
Étienne Gaborit, Daniel Princz, Vincent Fortin, Dorothy Durnford, Juliane Mai

Notice bibliographique

RevueFigshare · 2020
Typedataset
Langueen
DomaineEnvironmental Science
ThématiqueHydrology and Watershed Management Studies
Établissements canadiensUniversity of WaterlooEnvironment and Climate Change Canada
Organismes subventionnairesnon disponible
Mots-clésEnvironmental scienceSurface runoffHydrology (agriculture)MeteorologyClimatologyGeologyGeographyEcologyGeotechnical engineering

Résumé

récupéré en direct d'OpenAlex

This dataset provides gridded model simulations in NetCDF format over the Lake Erie using the GEM-Hydro model done within the Great Lakes Runoff Inter-comparison Project for Lake Erie (GRIP-E). The data are produced with SPS (GEM-Surf + SVS, the surface component of GEM-Hydro) open-loop runs with the SVS calibrated parameters obtained during GRIP-E project. For more information on the model and on calibration methodology, see GEM-Hydro section in Mai et al. 2020 (in prep.). The original model outputs had all variables accumulated for each day. During post-processing all variables have been de-accumulated by subtracting the accumulation of the previous hour from the accumulation of the current hour. Two variables (ALAT and O1) are also only valid over the land tile of each grid cell. Two additional variables (ALAT_full and O1_full) valid now over the whole grid cell have been added for convenience of the users. Domain boundaries (WGS84 system): - lon_min = -85.5, lon_max = -77.94 - lat_min = 40.3, lat_max = 44.26 Resolution of model variables provided: - spatial: ~10km x 10km - temporal: hourly Simulation period: - 01 Jan 2011 - 31 Dec 2014 - 01 Jan 2010 - 31 Dec 2010 (warm-up) Meteorological input data: - RDRS-v1; see Mai et al. 2020 (in prep) Variables available: float PR_0(time, rlat, rlon) ; PR_0:units = "m" ; PR_0:long_name = "Quantity of precipitation (valid over whole grid cell)" ; float AHFL_0(time, rlat, rlon) ; AHFL_0:units = "mm" ; AHFL_0:long_name = "Surface evaporation (valid over whole grid cell)" ; float TRAF_60268832(time, rlat, rlon) ; TRAF_60268832:units = "mm" ; TRAF_60268832:long_name = "Surface runoff (valid over whole grid cell)" ; float ALAT_0(time, rlat, rlon) ; ALAT_0:units = "mm" ; ALAT_0:long_name = "Accumulation of total soil lateral flow (valid over land tile of grid cell)" ; float ALAT_0_full(time, rlat, rlon) ; ALAT_0_full:units = "mm" ; ALAT_0_full:long_name = "Accumulation of total soil lateral flow (valid over whole grid cell)" ; float O1_0(time, rlat, rlon) ; O1_0:units = "mm" ; O1_0:long_name = "Accumulation of base drainage (valid over land tile of grid cell)" ; float O1_0_full(time, rlat, rlon) ; O1_0_full:units = "mm" ; O1_0_full:long_name = "Accumulation of base drainage (valid over whole grid cell)" ; float WT_59868832(time, rlat, rlon) ; WT_59868832:units = "1" ; WT_59868832:long_name = "Fraction of grid cell covered with land" ; =============================================================== These data and model runs have been performed under the Great Lakes Runoff Inter-comparison Project for Lake Erie (GRIP-E) led by Juliane Mai and Bryan Tolson (both University of Waterloo) and funded under the Integrated Modelling Program for Canada (IMPC) within the Global Water Futures program.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Jeu de données · Signal consensuel: Jeu de données
Score de désaccord entre enseignants0,068
Score d'incertitude au seuil0,135

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0110,004

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.

Tête enseignante Opus0,063
Tête enseignante GPT0,302
Écart entre enseignants0,240 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreJeu de données

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFigshareMême sujetHydrology and Watershed Management StudiesTravaux en français237 207