MétaCan
Menu
Retour à la cohorte
Enregistrement W4399742214 · doi:10.3389/fenvs.2024.1371108

Modeling seasonal ice and its impact on the thermal regime of a shallow boreal lake using the Canadian small Lake model

2024· article· en· W4399742214 sur OpenAlexaffabout
Habiba Kallel, Daniel F. Nadeau, Benjamin Bouchard, Antoine Thiboult, Murray Mackay, François Anctil

Notice bibliographique

RevueFrontiers in Environmental Science · 2024
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueArctic and Antarctic ice dynamics
Établissements canadiensEnvironment and Climate Change CanadaUniversité LavalCentrEau - Quebec Water Management Research Centre
Organismes subventionnairesnon disponible
Mots-clésBorealEnvironmental scienceClimatologyAtmospheric sciencesOceanographyGeology

Résumé

récupéré en direct d'OpenAlex

At high latitudes, lake-atmosphere interactions are disrupted for several months of the year by the presence of an ice cover. By isolating the water column from the atmosphere, ice, typically topped by snow, drastically alters albedo, surface roughness, and heat exchanges relative to the open water period, with major climatic, ecological, and hydrological implications. Lake models used to simulate the appearance and disappearance of the ice cover have rarely been validated with detailed in situ observations of snow and ice. In this study, we investigate the ability of the physically-based 1D Canadian Small Lake Model (CSLM) to simulate the freeze-up, ice-cover growth, and breakup of a small boreal lake. The model, driven offline by local weather observations, is run on Lake Piché, 0.15 km2 and 4 m deep (47.32°N; 71.15°W) from 25 October 2019 to 20 July 2021, and compared to observations of the temperature profile and ice and snow cover properties. Our results show that the CSLM is able to reproduce the total ice thickness (average error of 15 cm) but not the ice type-specific thickness, underestimating clear ice and overestimating snow ice. CSLM manages to reproduce snow depth (errors less than 10 cm). However, it has an average cold bias of 2°C and an underestimation of average snow density of 34 kg m−3. Observed and model freeze-up and break-up dates are very similar, as the model is able to predict the longevity of the ice cover to within 2 weeks. CSLM successfully reproduces seasonal stratification, the mixed layer depth, and surface water temperatures, while it shows discrepancies in simulating bottom waters especially during the open water period.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
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: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,046
Score d'incertitude au seuil0,092

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,204
Écart entre enseignants0,191 · 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
GenreEmpirique

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

En bref

Citations2
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFrontiers in Environmental ScienceMême sujetArctic and Antarctic ice dynamicsTravaux en français237 207