Notice bibliographique
Résumé
Abstract. Cold regions present unique challenges for land surface models simulating deep percolation or potential groundwater recharge. Previous model evaluation efforts often overlooked these regions and did not account for various sources of uncertainties influencing model performance and its evaluation. This work addresses these limitations using high-resolution integrated lysimeter measurements to assess the performance of the SVS land surface model in a cold climate. SVS showed promise in the simulation of snowmelt and rainfall-driven deep percolation events. It also simulated daily snow depth well, with a correlation coefficient (r) greater than 0.94 and a mean-bias-error (MBE) smaller than 3.0 cm for most of the simulation period. The newly implemented soil-freezing scheme reasonably simulated the near-surface soil temperature (r = 0.89) with a slight cold bias (MBE = -0.8 °C). However, the model's inability to represent frozen soil infiltration and preferential flow resulted in a significant underestimation of percolation (r: 0.35, MBE: -0.8 mm·day-1) and near-surface soil moisture during cold months (MBE: -0.058 m3 ·m-3). Those findings highlight the importance of a comprehensive model evaluation for improving deep percolation modeling in cold regions. Such improvements can lead to more informed decision-making regarding groundwater resource management in a changing climate.
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 | 0,003 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,027 | 0,023 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,164 | 0,127 |
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 ».