Enhancing River1D for Simulating Water Quality in Ice-Affected Rivers
Notice bibliographique
Résumé
Abstract The current landscape of water quality models offers a limited lens through which to view the complex interactions of water quality, hydrodynamics, and ice within ice-affected rivers. While existing models may account for ice as a static barrier to heat, light, and gas exchange, they often fall short in representing the resistive and displacement effects of ice on river hydrodynamics, which in turn may influence water quality. This simplification may hold for low velocity environments, like lakes or reservoirs, but it overlooks the complex dynamics within flowing rivers during winter conditions. This paper introduces enhancements to the University of Alberta’s river ice processes model, River1D, by integrating a specialized module for simulating dissolved oxygen and nutrients. A multi-year field-scale simulation demonstrates the enhanced River1D model’s ability to simulate water quality under varying conditions, including both open water and ice-covered periods. Model performance is assessedby comparing simulated values of dissolved oxygen, nutrients (ammonia and nitrate), water temperature, and water levels against observational data from the river. The paper discusses model enhancements and findings from the field-scale application, illustrating the facilitated simulation of water quality in ice-affected rivers. This extension of River1D’s modelling capabilities supports future integrated studies on cold-region river systems, providing a research tool for examining interactions between water quality and river ice processes, with potential applicability in environmental assessments and management.
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 | 0,001 | 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) | 0,037 | 0,029 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».