MétaCan
Menu
← Retour à la cohorte
Enregistrement W4220701294 · doi:10.5194/egusphere-egu22-834

Evaluating a reservoir parametrisation in a vector-based global routing model for Earth System Model coupling

2022· preprint· en· W4220701294 sur OpenAlexaff
Inne Vanderkelen, Shervan Gharari, Naoki Mizukami, David M. Lawrence, Sean Swenson, Martyn Clark, Ann van Griensven, Yadu Pokhrel, Naota Hanasaki, Wim Thiery

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEnvironmental Science
ThématiqueHydrology and Watershed Management Studies
Établissements canadiensCanmore Museum and Geoscience CentreUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésEnvironmental scienceRouting (electronic design automation)Hydrology (agriculture)InflowSurface runoffFlow routingWater cycleHydrological modellingComputer scienceGeologyMeteorologyEcologyGeography

Résumé

récupéré en direct d'OpenAlex

Humans have fundamentally altered global river flow by constructing reservoirs and building water-diversion schemes for irrigation. Reservoir operation and the regulation of river flow is important for estimating global water fluxes and water availability. Reservoirs and dam management are however generally not represented in Earth System Models. Recently, efforts are made to incorporate human water management in Land Surface Models by improving the irrigation representation and including high-resolution river networks. Here, we present the integration of a reservoir routine in the vector-based river routing model mizuRoute, to be coupled with the Community Terrestrial Systems Model (CTSM). We use the Hydrologic Derivatives for Modeling and Applications (HDMA) vector-based river network, which is intersected with lake and reservoir polygons from the HydroLAKES and GRanD databases to model both natural lakes and reservoirs. We implement reservoir management based on the parametrization of Hanasaki et al. (2006) and develop an irrigation topology to determine the irrigation water demand for every individual reservoir based on gridded water demands modeled by CTSM. We then evaluate our reservoir implementation both in a local setup, driven by observed inflow for 26 reservoirs, and in a global-scale setup, driven by gridded runoff from CTSM and using the Hydrologic Derivatives for Modeling and Applications (HDMA) river network. The local simulations show that accounting for reservoirs improves the skill compared to resolving reservoirs with a natural lake parametrization and not accounting for lakes/reservoirs. In the global-scale simulation, the reservoir management and natural lake parametrizations show however similar results, which could be attributed to biases in modeled reservoir inflow. These biases originate from biases in runoff simulated by CTSM and/or unresolved reservoirs on the river network. This study overall underlines the need to further develop and test water management parametrizations for improving the representation of anthropogenic interference with the terrestrial water cycle in Earth system models. References: Hanasaki, N., Kanae, S., & Oki, T. (2006). A reservoir operation scheme for global river routing models. Journal of Hydrology, 327(1–2), 22–41 Mizukami, N., Clark, M. P., Gharari, S., Kluzek, E., Pan, M., Lin, P., Beck, H. E., & Yamazaki, D. (2021). A Vector-Based River Routing Model for Earth System Models: Parallelization and Global Applications. Journal of Advances in Modeling Earth Systems, 13(6).

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)0,005
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: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,044
Score d'incertitude au seuil0,088

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,097
Tête enseignante GPT0,341
Écart entre enseignants0,244 · 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
GenreEmpirique

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

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetHydrology and Watershed Management Studies→Travaux en français237 207→