A Science-Based Approach for Identifying Temperature-Sensitive Streams for Rainbow Trout
Notice bibliographique
Résumé
Abstract To regulate human-induced changes to fish habitat, resource managers commonly set standards based on maximum allowable changes. For example, new legislation in British Columbia (BC), Canada, calls for restrictions on harvesting of trees and related activities near temperature-sensitive streams. However, methods for designating such streams are still evolving. Our objective was to help develop such methods by (1) improving understanding of the temperature-dependent responses of fish and (2) devising improved methods for estimating the effects of forestry-related activities on stream temperature as well as the chance of exceeding upper temperature limits. Using previously published models, we found that for rainbow trout Oncorhynchus mykiss particular increases in stream temperature led to different effects on juvenile growth rate, egg survival rate, and resistance to mortality from diseases. In a separate analysis, to evaluate the chance that cumulative forestry activities will increase stream temperature by various amounts, we compiled summer temperature data for 104 streams in central BC that reflected different watershed features, contrasting summer climates, and various levels of land use. A classification and regression tree analysis of a summer maximum weekly average temperature (MWAT) index grouped streams into six categories as a function of watershed size, watershed elevation, and air temperature. We then analyzed the remaining unexplained variation among stream temperature indices using Bayesian regression. We found high probabilities that increases in road density and the density of road crossings of streams within watersheds are associated with increases in residual temperature. For instance, a Bayesian regression indicated a 6-in-10 chance that the MWAT in our study area will increase by 1.25°C for a road density of 2 km/km2 of watershed area and by 3.25°C for a road density of 4 km/km2. These analyses illustrate some possible ways to help designate temperature-sensitive streams.
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 | 0,002 | 0,000 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».