Development and performance of a high-resolution surface wave and storm surge forecast model: application to a large lake
Notice bibliographique
Résumé
Abstract. A real-time forecast model of surface hydrodynamics in Lake Ontario (Coastlines-LO) was developed to automatically predict storm surges and surface waves. The system uses a dynamically coupled Delft3D–SWAN model with a structured grid to generate 48 h predictions for the lake that are updated every 6 h. The lake surface is forced with meteorological data from the High Resolution Deterministic Prediction System (HRDPS). The forecast model has been running since May 2021, capturing a wide variety of storm conditions. Good agreement between observations and modelled results is achieved, with root mean squared errors (RMSEs) for water levels and waves under 0.02 and 0.26 m, respectively. During storm events, the magnitude and timing of storm surges are accurately predicted at nine monitoring stations (RMSE <0.05 m), with model accuracy either improving or remaining consistent with decreasing forecast length. Forecast significant wave heights agree with observed data (1 %–12 % relative error for peak wave heights) at four wave buoys in the lake. Coastlines-LO forecasts for storm surge prediction for two consecutive storm events were compared to those from the Great Lakes Coastal Forecasting System (GLCFS) to further evaluate model performance. Both systems achieved comparable results with average RMSEs of 0.02 m. Coastlines-LO is an open-source wrapper code driven by open data and has relatively low computational requirements compared to GLCFS, making this approach suitable for forecasting marine conditions in other coastal 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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».