A High‐Resolution, Daily Hindcast (1990–2021) of Alaskan River Discharge and Temperature From Coupled and Optimized Physical Models
Notice bibliographique
Résumé
Abstract Water quality and freshwater ecosystems are affected by river discharge and temperature. Models are frequently used to estimate river temperature on large spatial and temporal scales due to limited observations of discharge and temperature. In this study, we use physically based river routing and temperature models to simulate daily discharge and river temperature for rivers in 138 basins in Alaska, including the entire Yukon River basin, from 1990–2021. The river temperature model was optimized for ice free months using a surrogate‐based model optimization method, improving model performance at uncalibrated river gages. A common statistical model relating local air and water temperature was used as a benchmark. The physically based river temperature model exhibited superior performance compared to the benchmark statistical model after optimization, suggesting river temperature model optimization could become more routine. The river temperature model demonstrated high sensitivity to air temperature and model parameterization, and lower sensitivity to discharge. Validation of the models showed a Kling‐Gupta Efficiency of 0.46 for daily river discharge and a root mean square error of 2.04°C for daily river temperature, improving on the non‐optimized physical model and the benchmark statistical model, which had root mean square errors of 3.24 and 2.97°C, respectively. The simulation shows that rivers in northern Alaska have higher maximum summer temperatures and more variability than rivers in the Central and Southern regions. Furthermore, this framework can be readily adapted for use across models and regions.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».