MétaCan
Menu
← Retour à la cohorte
Enregistrement W4220925330 · doi:10.5194/hess-2022-113-supplement

Supplementary material to "The Great Lakes Runoff Intercomparison Project Phase 4: The Great Lakes (GRIP-GL)"

2022· preprint· en· W4220925330 sur OpenAlexaffabout
Juliane Mai, Hongren Shen, Bryan A. Tolson, Étienne Gaborit, Richard Arsenault, James R. Craig, Vincent Fortin, Lauren M. Fry, Martin Gauch, Daniel Klotz, Frederik Kratzert, Nicole O’Brien, Daniel Princz, Sinan Rasiya Koya, Tirthankar Roy, Frank Seglenieks, Narayan Kumar Shrestha, André Guy Tranquille Temgoua, Vincent Vionnet, Jonathan W. Waddell

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEnvironmental Science
ThématiqueHydrology and Watershed Management Studies
Établissements canadiensÉcole de Technologie SupérieureEnvironment and Climate Change CanadaUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésSurface runoffPhase (matter)Environmental scienceHydrology (agriculture)EngineeringEcologyChemistryBiologyGeotechnical engineering

Résumé

récupéré en direct d'OpenAlex

Comparison of gridded ERA5-Land SWE estimates and ground-truth SWE observations from CanSWE database The ERA5-Land SWE estimates (Muñoz Sabater, 2019) were compared with the SWE observations available in the version 2 of the CanSWE dataset (Vionnet et al., 2021).CanSWE combines historical manual (snow surveys) and automatic SWE measurements collected across Canada by different provincial and territorial agencies as well as hydro-power companies.CanSWE is an evolving dataset.Please refer to the following repository to check for version updates of the dataset: https: //10.5281/zenodo.4734371.In this study, only manual SWE measurements were used to make sure that the snow data would be available over the period from 2000 to 2017.In Ontario and Quebec, manual SWE data are collected on a biweekly to monthly basis.The times series of ERA5-Land SWE estimates were extracted at the grid cells corresponding to the snow observation locations available in CanSWE.Only stations with at least 34 observations (i.e., on average at least two observations per year during the study period from 2001 to 2017) were kept in the analysis.A total of 272 stations was considered and the results are shown in Fig. S1. Figure S1.Comparison of ERA5-Land and CanSWE snow water equivalent estimates.Panel (A) displays the spatial distribution of the Kling-Gupta efficiency (KGE) between the CanSWE observations (obs) and ERA5-Land (sim) estimates at the N = 272 snow observation locations available in the CanSWE dataset with at least 34 observations (i.e., on average at least two observations per year during the study period from 2001 to 2017).Panel (B) summarizes these KGE values by a cumulative distribution function showing that around 83% of the stations have medium performance, 57% are good, and 14% show an excellent performance.ERA5-Land shows good performances (KGE larger than 0.65) at 57% of the stations (Fig. S1B).These stations are mostly located in the Ottawa River watershed, in the Lake Superior watershed and in the northern part of the Lake Huron watershed (Fig. S1A).These regions are characterized by the largest mean winter SWE in the Great Lakes regions (Fig. 2 in the main

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)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Jeu de données · Signal consensuel: Jeu de données
Score de désaccord entre enseignants0,750
Score d'incertitude au seuil0,357

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,008
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,004
Études des sciences et des technologies0,0010,000
Communication savante0,0020,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,7500,281

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 Opus0,027
Tête enseignante GPT0,287
Écart entre enseignants0,261 · 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.

Devis d'étudeSans objet
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

Citations0
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

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