A Spatially Parallel Implementation of a Lake and Land
Notice bibliographique
Résumé
Canada has several of Earth's largest lakes and many small lakes. Heat storage and circulation are greatly affected by lakes. Currently the Canadian Regional climate model does not incorporate a lake component. Therefore, we are linking atmospheric and lake models for such applications as climate prediction and assessing changes in the lake water quality and quantity. We investigate use of highly parallel arrays of clustered processors, available through Canada's SHARCNET. The accuracy of lake, land and atmospheric models depends on grid spacing. Coarser grids adversely affect accuracy. Regional climate model inputs are required subhourly, placing a lower bound on the grid sizes that can be employed. We link a one-dimensional lake model such as the Dynamic Reservoir Model (DYRESM) to a Regional Climate model (RCM) to incorporate the effects of lake on the regional climate. The land model used is the Canadian Land Surface Scheme (CLASS). CLASS and DYRESM are vertical models, with no interaction between horizontally neighboring nodes. CLASS computes heat and moisture fluxes for bare ground (fractional coverage by ground, FG), snow-covered ground (fractional coverage by snow, FSN), ground with canopy (fractional coverage by ground, FC), and ground with both snow and canopy. These fractions are combined to calculate node characteristics. Lake flux values are provided by DYRESM, which are combined with land values according to the fractional lake coverage. Hybrid model is designed and implemented using a mix of both serial farm and task parallel approaches on Guelph SHARCNET high performance computing cluster.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».