Notice bibliographique
Résumé
<strong class="journal-contentHeaderColor">Abstract.</strong> Eddy covariance (EC) is one of the most effective ways to directly observe evaporation from a lake surface. However, the deployment of EC systems on lakes is costly and technically challenging which engenders a need for accurate modelling of evaporation from reservoirs for effective management. This study aims to 1) refactor the Canadian Small Lakes Model (CSLM) into modern high-level programming languages in open-source repositories and 2) evaluate evaporation estimates from the CSLM using nine years of EC observations of a pit-lake in Northern Alberta. The CSLM is a 1-D physical lake model simulating a mixing layer and arbitrary thick skin layer which interfaces with the atmosphere and includes a module for ice dynamics. It was developed to interface with the Canadian Global Coupled models as part of the surface classification scheme, and thus utilizes widely accessible forcing data. In this study the CSLM evaporation estimates are also compared to a commonly used bulk transfer method of estimating evaporation. In general, the CSLM had smaller open-water season error (RMSE of 0.70 mm day<sup>-1</sup>) than the bulk transfer method (RMSE of 0.83 mm day<sup>-1</sup>). However, if EC data is available, further improvement can be gained by using an Artificial Neural Network to adjust the modelled fluxes (RMSE of 0.51 mm day<sup>-1</sup>). This final step can be very useful for gap-filling missing data from lake observation networks as there has been recent attention on the limited coverage of direct open water evaporation observations in the literature.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,323 | 0,057 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».