Token导航 LogoToken导航

Agent Skill · 效率

glm-lake-mendota-glm-calibration(glm 门多塔湖 glm 校准)

glm-lake-mendota-glm-calibration 用于补充效率相关能力,适合在 OpenClaw 中需要让 Agent 承接效率相关任务时使用。可结合来源仓库、安装命令和原始 README 继续核验具体用法。安装前建议确认权限范围、维护状态,以及是否会触发联网、命令执行或文件读写。

glm-lake-mendota-glm-calibration 是效率类 Agent Skill,可用宿主为 OpenClaw,通过ClawHub获取,权限为执行命令;许可证为 MIT-0,第三方扫描有提醒项,按安装量在效率类的 21,003 个 Skill 里排第 19,407。

总安装 2,043周安装 86GitHub Stars 公开资料未说明下载 716核验 2026-05-01

安装说明

本站只整理中文说明,不托管安装包,也不代用户安装。
GitHub
许可证
MIT-0
版本
0.1.0

安装方式

通过对话安装

复制提示词发给支持本地命令或 Skills 的 AI 助手,先确认命令和权限,再让它执行。

请帮我安装这个 Agent Skill:glm-lake-mendota-glm-calibration(glm 门多塔湖 glm 校准)
来源仓库:https://github.com/wu-uk/glm-lake-mendota-glm-calibration
安装命令:
openclaw skills install glm-lake-mendota-glm-calibration
安装前请先检查当前环境是否支持对应 CLI,并向我确认将要执行的命令、安装目录、联网范围和文件读写权限;确认后再执行。

命令行安装

复制命令到本机终端执行。该命令会通过 OpenClaw 从第三方来源获取 Skill;本站只展示命令,不托管安装包,也不自动执行。

ClawHubOpenClaw
openclaw skills install glm-lake-mendota-glm-calibration

这个 Skill 是做什么的

效率类 Skill 把重复的整理、汇总、转换工作交给助手完成,减少手工复制粘贴。

调整 GLM 参数以最小化模拟与观测水温差异。计算 RMSE 误差并推荐优化方向。提升模型预测精度与实际应用价值。适用宿主包括 OpenClaw,接入前应确认版本、权限和运行环境要求。需准备历史观测数据作为校准基准。

glm-lake-mendota-glm-calibration 属于效率类 Skill,可作为该场景下的辅助能力补充。

上手步骤

4 步
  1. 1

    确认自己的宿主工具

    公开资料标注支持 OpenClaw;先确认自己用的是其中之一,再按对应工具的 Skills 目录放置。

  2. 2

    拿到安装命令

    可以直接复制的命令是 openclaw skills install glm-lake-mendota-glm-calibration;命令里的占位符换成自己的路径或密钥再执行。

  3. 3

    安装后重启宿主

    命令执行完要完全退出宿主工具再打开,让新装的 Skill 被重新扫描到,否则列表里可能看不到。

  4. 4

    按最小权限试用

    它需要执行命令,先在测试目录或测试账号里跑,确认没问题再放到正式项目。

常见问题

6 条

glm-lake-mendota-glm-calibration 怎么安装?

在终端执行 openclaw skills install glm-lake-mendota-glm-calibration。装完完全退出宿主工具再打开,让它重新扫描本地 Skill。

glm-lake-mendota-glm-calibration 支持哪些 AI 工具?

公开资料标注支持 OpenClaw。其他工具只要能读取本地 Skill 目录,一般也能手动放进去,但要自己确认触发方式是否一致。

glm-lake-mendota-glm-calibration 需要什么权限?

权限级别是执行命令。安装流程涉及命令执行,可能通过 openclaw skills install glm-lake-mendota-glm-calibration 联网下载 Skill 或依赖。用户安装前应确认命令来源、仓库内容和执行环境。

glm-lake-mendota-glm-calibration 是免费的吗?

来源标注的许可证是 MIT-0。本站不代收任何费用,也不托管安装包;能否商用、要不要署名,以许可证原文为准。

glm-lake-mendota-glm-calibration 用的人多吗?

公开数据是累计安装 2,043 次,近一周安装 86 次,下载 716 次。这些数字来自第三方目录统计,只能当作热度参考,不代表质量或安全性。

glm-lake-mendota-glm-calibration 安全吗?

第三方扫描有提醒项,说明存在需要人工确认的行为。安装前请打开源码看清它读了什么、联网到哪里。

值得选的地方和要先想清楚的地方

值得选的地方

  • 专注 OpenClaw 一种宿主,触发方式和使用习惯不用来回切换。
  • 许可证明确为 MIT-0,商用和分发边界好判断。

先想清楚的地方

  • 需要执行命令,装到常用环境前要先评估影响面。
  • 第三方扫描存在提醒项或未通过项,需要人工逐条确认。
  • 第三方目录整理,版本更新和行为细节以来源仓库为准。

适不适合你

更适合

  • 已经在用 OpenClaw,想直接扩展它能力的人。
  • 需要处理效率类任务、又不想每次都手写提示词的人。

不太适合

  • 不能接受 Skill 在你机器上执行命令的人。
  • 需要厂商级技术支持和 SLA 的生产系统。

效率类 Skill 对比

6 个同类
Skill总安装GitHub 星权限许可证扫描
github

GitHub 代码协作 · OpenClaw

7,632,918545需要联网MIT-0通过
nano-pdf

Nano PDF 文档 · OpenClaw

4,249,476231需要联网MIT-0通过
auto-updater

自动更新程序 · OpenClaw

2,964,063386操作浏览器MIT-0通过
video-frames

视频帧 · OpenClaw

2,621,304112需要联网MIT-0通过
gemini

Gemini 助手 · OpenClaw

2,547,39648需要联网MIT-0有提醒
glm-lake-mendota-glm-calibration

glm 门多塔湖 glm 校准 · 本页

2,043—执行命令MIT-0有提醒

按安装量取同分类前几名;数字来自第三方目录统计,只作热度参考,不代表质量结论。

SKILL.md 原文

name
glm-calibration
description
Calibrate GLM parameters for water temperature simulation. Use when you need to adjust model parameters to minimize RMSE between simulated and observed temperatures.
license
MIT

GLM Calibration Guide

Overview

GLM calibration involves adjusting physical parameters to minimize the difference between simulated and observed water temperatures. The goal is typically to achieve RMSE < 2.0°C.

Key Calibration Parameters

ParameterSectionDescriptionDefaultRange
Kw&lightLight extinction coefficient (m⁻¹)0.30.1 - 0.5
coef_mix_hyp&mixingHypolimnetic mixing coefficient0.50.3 - 0.7
wind_factor&meteorologyWind speed scaling factor1.00.7 - 1.3
lw_factor&meteorologyLongwave radiation scaling1.00.7 - 1.3
ch&meteorologySensible heat transfer coefficient0.00130.0005 - 0.002

Parameter Effects

ParameterIncrease EffectDecrease Effect
KwLess light penetration, cooler deep waterMore light penetration, warmer deep water
coef_mix_hypMore deep mixing, weaker stratificationLess mixing, stronger stratification
wind_factorMore surface mixingLess surface mixing
lw_factorMore heat inputLess heat input
chMore sensible heat exchangeLess heat exchange

Calibration with Optimization

from scipy.optimize import minimize

def objective(x):
    Kw, coef_mix_hyp, wind_factor, lw_factor, ch = x

    # Modify parameters
    params = {
        'Kw': round(Kw, 4),
        'coef_mix_hyp': round(coef_mix_hyp, 4),
        'wind_factor': round(wind_factor, 4),
        'lw_factor': round(lw_factor, 4),
        'ch': round(ch, 6)
    }
    modify_nml('glm3.nml', params)

    # Run GLM
    subprocess.run(['glm'], capture_output=True)

    # Calculate RMSE
    rmse = calculate_rmse(sim_df, obs_df)
    return rmse

# Initial values (defaults)
x0 = [0.3, 0.5, 1.0, 1.0, 0.0013]

# Run optimization
result = minimize(
    objective,
    x0,
    method='Nelder-Mead',
    options={'maxiter': 150}
)

Manual Calibration Strategy

  1. Start with default parameters, run GLM, calculate RMSE
  2. Adjust one parameter at a time
  3. If surface too warm → increase wind_factor
  4. If deep water too warm → increase Kw
  5. If stratification too weak → decrease coef_mix_hyp
  6. Iterate until RMSE < 2.0°C

Common Issues

IssueLikely CauseSolution
Surface too warmLow wind mixingIncrease wind_factor
Deep water too warmToo much light penetrationIncrease Kw
Weak stratificationToo much mixingDecrease coef_mix_hyp
Overall warm biasHeat budget too highDecrease lw_factor or ch

Best Practices

  • Change one parameter at a time when manually calibrating
  • Keep parameters within physical ranges
  • Use optimization for fine-tuning after manual adjustment
  • Target RMSE < 2.0°C for good calibration

平台分布

OpenClaw

86.84%
按下载量换算622

安全审计

VirusTotal

通过

ClawScan

可疑

Static analysis

通过

权限和风险

执行命令

安装流程涉及命令执行,可能通过 openclaw skills install glm-lake-mendota-glm-calibration 联网下载 Skill 或依赖。用户安装前应确认命令来源、仓库内容和执行环境。

安装前确认

本站仅展示第三方公开信息,不托管安装包,不提供自动安装或运行环境。安装前应自行审查源码、依赖和命令行为。来源安全扫描存在提醒或未通过项,安装前请自行复核。目前只有一个公开来源,建议同时核对源仓库。

继续浏览同类 Skills