Statistical tools for thermal regime characterization at segment river scale: Case study of the Ste‐Marguerite River
Notice bibliographique
Résumé
Abstract Suitable thermal fish habitats are constrained by both maximum and minimum temperature tolerances. A multivariate and geostatistical approach was developed to estimate stream thermal characteristics at the river segment scale. Data from 22 temperature‐monitoring stations during summer 2007 were used to estimate monthly maximum temperature as well as thermal characteristics such as the number of events, the cumulative degree–days and the associated duration over specific temperature thresholds of 19 and 21°C. The probability of exceeding these temperature thresholds has also been interpolated. The methodology relies on the construction of a multivariate space using physiographic and hydrological characteristics of gauging stations as inputs in a canonical correlation analysis (CCA). A geostatistical interpolation technique, ordinary kriging, was subsequently used to perform interpolation in the physiographical space constructed using CCA. Results from this study were obtained for thermal characteristics estimated into two different interpolation spaces: (1) a 7 metrics space, and (2) an 8 metrics space. Cross‐validation technique has been performed and satisfactory results were obtained. Kriging thermal characteristics (magnitude and duration) into the 7 metric space for a 19°C threshold exceedance leads to best results with Relative Root Mean Square Error (RRMSE) ranging between 9.66 and 15.08%. The study shows that kriging in a multivariate space is a promising tool for water resources managers, especially in cases where risk mapping for lethal or sub‐lethal temperature thresholds may be required for a specific fish species. Copyright © 2010 John Wiley & Sons, Ltd.
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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».