Community workflows for large-domain hydrologic modeling: Separating model-agnostic and model-specific configuration steps to promote reproducibility, efficiency and transparency
Notice bibliographique
Résumé
<!--!introduction!--><b></b> Earth System Models are rapidly advancing to run simulations at higher resolutions and to include more and more components relevant for accurate modeling of Earth System processes. This comes with an ever-present need to create new model configurations and thus a burden on users to (re-)process model input data and (re-)do analyses. Such work is typically cumbersome, and often opaque and poorly reproducible. Here we present ongoing work on fostering a community modeling approach in the hydrologic sciences, where model configuration code is freely shared between different modeling groups. The key insight that underpins this work is a realization that our models may differ in details, but generally have similar (if not the same) input requirements. By dividing model configuration procedures into model-agnostic and model-specific steps, we were able to create a code base that consists of a shared data processing core (the model-agnostic part) coupled to thin layers of model-specific code that convert the prepared data into the exact specifications the models need. This setup has reduced model configuration time costs considerably, while also increasing transparency and reproducibility of the resulting model configurations. These principles are widely applicable and essential in current times, where society’s need for Earth System predictions far exceeds the capabilities of individual modeling groups. Building effective collaborations between modeling groups and disciplines are critical to provide these predictions.
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 | 0,014 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».