Raven Hydrological Modelling Framework
Notice bibliographique
Résumé
This version has been improved with a handful of modelling features, new algorithms, quality checks on inputs, and minor bug fixes. Notably, the following features have been added: • New Models Added – full (level 1) emulation support for the HYMOD2 hydrological model (Roy et al., 2017). • Radiation/ET/Rain-snow partitioning Algorithms – added new algorithms for estimating PET, LW incoming radiation, and partitioning between rain and snow • Lake Freezing – simple treatment of lake freezing and snow accumulation on frozen lakes with the :LakeFreeze command • Improved Stream Temperature simulation – better handling of longwave radiation, support for sensible heat exchange and groundwater mixing during in-catchment routing , support for gridded rainfall temperature inputs, • Basic Model Interface (BMI) interoperability – Raven can now be compiled as a linked library and interface directly with other BMI-compliant applications • Other – correction factors for wind speed and relative humidity; Spearman ranked correlation coefficient diagnostic, improved support for EnKF in a FEWS environment, improved handling of orographic corrections when using gridded precipitation/temperature data, temperature bias correction, writing of reservoir mass balance file in netCDF format, some previously hard-coded parameters now exposed to users; support for multiple water demands from a single subbasin • Notable Bug Fixes – repairs to handling of daily-averaged PET estimates, default estimation of longwave radiation, handling lake evaporation when :HRUID not supplied to reservoir, fix to rainfall on reservoirs when :LakeStorage is something other than SURFACE_WATER, repair of reservoir stage assimilation via direct insertion, fixes of netCDF issues when elevation attributes are provided • Improvements/updates to the Raven documentation and to Raven input quality checking.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,153 | 0,072 |
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 ».