Spatially Distributed Modelling of Lake Ice Trends and Distribution in the North Slave Region, NWT, Canada
Notice bibliographique
Résumé
The Canadian Lake Ice Model has been distributed and adapted to run at a fine spatial resolution (~50 m) for simulating lake ice thickness and phenology on small to medium-sized lakes for this study. The model’s capabilities are extended to simulate the spatial variability of Lake ice thickness (LIT), Ice Cover Duration (ICD), and Lake Ice Phenology (LIP) across 500 predominantly small to medium-sized lakes in the North Slave Region (NSR) of the Northwest Territories (NWT), Canada, from 1984 to 2022. The model utilizes 30 m grid lake surface temperature (LST) data derived from the North Slave LST dataset, along with climate inputs from the European Centre for Medium-Range Weather Forecasts Reanalysis v5 and ECMWF (ERA5), including wind speed, mean air temperature, relative humidity, snow depth, and cloud cover. These inputs provide surface fluxes to the model, driving its unsteady heat equation to produce daily LIT, annual ICD, and annual freeze-up and break-up dates on a ~50 m grid. Validation against in-situ measurements showed a root mean square deviation of 2.7 cm to 7 cm for LIT. Trend analysis revealed a significant decline in LIT (-0.26 cm/year to -0.10 cm/year) and ICD (-0.40 day/year to -0.15 day/year) over the study period. The findings highlight the sensitivity of LIT and freeze-up dates to lake morphometry. In contrast, ice break-up dates are primarily influenced by geographic factors such as latitude and elevation. The distributed model comprehensively assesses lake ice variability and trends across 500 lakes under changing climate and weather conditions.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».