Data-assimilation-based parameter estimation of bathymetry and bottom friction coefficient to improve coastal accuracy in a global tide model
Notice bibliographique
Résumé
Abstract. Global tide and surge models play a major role in forecasting coastal flooding due to extreme events or climate change. The model performance is strongly affected by parameters such as bathymetry and bottom friction. In this study, we propose a method that estimates bathymetry globally and the bottom friction coefficient in shallow waters for a global tide and surge model (GTSMv4.1). However, the estimation effect is limited by the scarcity of available tide gauges. We propose complementing sparse tide gauges with tide time series generated using FES2014. The FES2014 dataset outperforms the GTSM in most areas and is used as observations for the deep ocean and some coastal areas, such as Hudson Bay and Labrador, where tide gauges are scarce but energy dissipation is large. The experiment is performed with a computation- and memory-efficient iterative parameter estimation scheme (time–POD-based coarse incremental parameter estimation; POD: proper orthogonal decomposition) applied to the Global Tide and Surge Model (GTSMv4.1). Estimation results show that model performance is significantly improved for the deep ocean and shallow waters, especially in the European shelf, directly using the CMEMS tide gauge data in the estimation. The GTSM is also validated by comparing to tide gauges from UHSLC, CMEMS, and some Arctic stations in the year 2014.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».