MétaCan
Menu
Retour à la cohorte
Enregistrement W4323359993 · doi:10.1029/2022wr032683

Windmapper: An Efficient Wind Downscaling Method for Hydrological Models

2023· article· en· W4323359993 sur OpenAlexafffund
Christopher B. Marsh, Vincent Vionnet, John W. Pomeroy

Notice bibliographique

RevueWater Resources Research · 2023
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueCryospheric studies and observations
Établissements canadiensEnvironment and Climate Change CanadaUniversity of Saskatchewan
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanada Research ChairsUniversity of Saskatchewan
Mots-clésDownscalingTerrainEnvironmental scienceWind speedMeteorologySnowHydrometeorologyEvapotranspirationNumerical weather predictionClimatologyGeologyGeographyPrecipitation

Résumé

récupéré en direct d'OpenAlex

Abstract Estimates of near‐surface wind speed and direction are key meteorological components for predicting many surface hydrometeorological processes that influence critical aspects of hydrological and biological systems. However, observations of near‐surface wind are typically spatially sparse. The use of these sparse wind fields to force distributed models, such as hydrological models, is greatly complicated in complex terrain, such as mountain headwaters basins. In these regions, wind flows are heavily impacted by overlapping influences of terrain at different scales. This can have a great impact on calculations of evapotranspiration, snowmelt, and blowing snow transport and sublimation. The use of high‐resolution atmospheric models allows for numerical weather prediction (NWP) model outputs to be dynamically downscaled. However, the computation burden for large spatial extents and long periods of time often precludes their use. Here, a wind‐library approach is presented to aid in downscaling NWP outputs and terrain‐correcting spatially interpolated observations. This approach preserves important spatial characteristics of the flow field at a fraction of the computational costs of even the simplest high‐resolution atmospheric models. This approach improves on previous implementations by: scaling to large spatial extents O(1M km 2 ); approximating lee‐side effects; and fully automating the creation of the wind library. Overall, this approach was shown to have a third quartile RMSE of 1.8 and a third quartile RMSE of 58.2° versus a standalone diagnostic windflow model. The wind velocity estimates versus observations were better than existing empirical terrain‐based estimates and computational savings were approximately 100‐fold versus the diagnostic model.

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)0,002
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: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,037

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0110,002

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 Opus0,168
Tête enseignante GPT0,366
Écart entre enseignants0,198 · 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
GenreMéthodes

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

En bref

Citations12
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueWater Resources ResearchMême sujetCryospheric studies and observationsTravaux en français237 207