Calibration versus computation: Comparison between 1D and 3D phytoplankton simulations in western Lake Erie
Notice bibliographique
Résumé
Abstract Numerical models are commonly used tools to simulate hydrodynamics and water quality of lakes. Model dimensionality (0D, 1D, 2D, or 3D) requires different simplification levels of physical-biogeochemical processes, computational power and calibration strategies and metrics against observations. To investigate these modelling considerations, the 1D (vertical) Aquatic Ecosystem Dynamics – General Lake Model and the 3D Aquatic Ecosystem Model were applied to western Lake Erie in 2008 and 2011-14. The performance of the models was evaluated by comparing the simulations against observations of water temperature, total phosphorus, orthophosphate, nitrate, total chlorophyll-a and cyanobacteria at three stations located along a transect from the Maumee River mouth to mid-basin, as well as to the basin-averaged cyanobacteria index. The 3D model showed better skill in qualitatively reproducing seasonal and spatial variations of nutrients and phytoplankton and had lower average root-mean-square error, especially through the algal plume near the Maumee River mouth. However, the horizontally averaged 1D model performed better in qualitatively capturing the cyanobacteria bloom years, as this model was extensively calibrated to basin-average values. We conclude that models should be selected and calibrated to provide the required decision support information, rather than the highest resolution or lowest error metrics at discrete sites.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».