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 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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 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) | 0,380 | 0,096 |
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 ».