Analysis of the surface energy budget during supercooling in rivers
Notice bibliographique
Résumé
In northern rivers, heat loss from the water surface is the key driver of supercooling in rivers and the subsequent generation of river ice. The ability to estimate the different surface heat components is crucial to accurately model supercooling and the various ice formation processes. To calibrate these models, concurrent water temperature and local meteorological data are needed, which can be a challenging task. Therefore, it is important to understand the relative importance of the different heat components on supercooling of water. For this purpose, the properties of 190 supercooling events observed during the 2016–2017 season on two regulated rivers in Alberta, Canada were analyzed together with the calculated surface heat budget using weather data from local weather stations. Longwave radiation was found to be the dominant negative heat flux for 80.0% of all events. During supercooling events, the longwave radiation and sensible components had average values of −65.7 and −46.6 W/m2, respectively. The evaporative heat flux component was found to be negligible with an average value −4.52 W/m2. Sensible heat flux tended to be the dominant cooling heat flux when the air temperature was approximately -15 °C or colder. The shortwave radiation component was the dominant warming heat flux for 97.4% of all events with an average value 52.6 W/m2. The diurnal cycling of the net heat flux due to shortwave radiation was found to be the most significant factor in determining the start and end of supercooling events.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».