An open-source refactoring of the Canadian Small Lakes Model for estimates of evaporation from medium-sized reservoirs
Notice bibliographique
Résumé
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 9 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 an 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 d −1 ) than the bulk transfer method (RMSE of 0.83 mm d −1 ). However, if EC data are available, further improvement can be gained by using an artificial neural network to adjust the modelled fluxes (RMSE of 0.51 mm d −1 ). 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 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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».