The representation of rivers in operational ocean forecasting systems: a review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract. The connection between the ocean and the land is made possible thanks to rivers, which are a vital component of the Earth's system. They govern the hydrological and biogeochemical contributions to the coastal ocean through surface and subsurface water discharge and influence local circulation and the distribution of water masses, modulating processes such as upwelling and mixing. This paper provides an overview of recent approaches to representing coastal river discharges and processes in operational ocean forecasting systems (OOFSs), with a particular focus on estuaries. The methods discussed include those currently adopted in coarse-resolution ocean forecasting systems, where mixing processes are primarily parameterized, as well as more advanced modelling and coupling approaches tailored to high-resolution coastal systems. A review of river data availability is also presented, illustrating various sources of freshwater discharge and salinity, from observational data to climatological datasets, alongside operational river discharge products that enhance the representation of water discharges in operational systems. New satellite-derived datasets and emerging river modelling techniques are also introduced. In addition, responses from a survey of existing OOFS providers are synthetized, with a focus on how river forcing is treated, from global to coastal scales. Challenges such as data accuracy, standardization, and model coupling are discussed, highlighting the need for improved interfaces between monitoring and modelling systems. Finally, some recommendations and ways forward are formulated in relation to identified limitations in current OOFSs.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle