Streamlining configurations of process-based models through extensible and free workflows
Notice bibliographique
Résumé
High-resolution and high-complexity process-based hydrological models play a pivotal role in advancing our understanding and prediction of water cycle dynamics, particularly in ungauged basins and under nonstationary climate conditions. However, the configuration, application, and evaluation of these models are often hindered by the intricate and inconsistent nature of a priori information available in various datasets, necessitating extensive preprocessing steps. These challenges can limit the reproducibility, applicability, and accessibility of such models for the broader scientific user community. To address these challenges, we introduce our generalized Model-Agnostic Framework (MAF), aimed at simplifying the configuration and application of data-intensive process-based hydrological models. Through a systematic investigation of commonly used models and their configuration procedures, we provide workflows designed to streamline the setup process for this category of hydrological models. Building on earlier efforts, this framework adheres to the principle of separating model-agnostic and model-specific tasks in the setup procedure of such models. The model-agnostic workflows focus on both dynamic datasets (e.g., meteorological data) and static datasets (e.g., land-use maps), while the model-specific components feed preprocessed, relevant data to the hydrological models of interest. Our initial prototypes of MAF includes recipes for various static and dynamic datasets and also tailored model-specific workflows for MESH, SUMMA, and HYPE process-based modelling frameworks. We demonstrate the effectiveness of these novel workflows in reducing configuration complexity and enhancing the reproducibility of process-based hydrological models through test applications in high-performance computing environments. The framework automates numerous manual tasks, significantly saving time, and enabling continuity in research efforts. Moreover, by minimizing human error and enhancing reproducibility, this research has fostered collaboration with several Canadian government entities, leveraging sophisticated process-based models to address complex environmental challenges.
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 | 0,015 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,006 | 0,008 |
| Science ouverte | 0,006 | 0,011 |
| Intégrité de la recherche | 0,001 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 ».