A revaluation of lake‐phosphorus loading models using a Bayesian hierarchical framework
Notice bibliographique
Résumé
Abstract We revisit the phosphorus‐retention and nutrient‐loading models in limnology using a Bayesian hierarchical framework. This methodological tool relaxes a basic assumption of regression models fitted to data sets consisting of observations from multiple systems, i.e., the systems are assumed to be identical in behavior, and therefore the models have a single common set of parameters for all systems. Under the hierarchical structure, the models are dissected into levels (hierarchies) that explicitly account for the role of significant sources of variability (e.g., morphometry, mixing regime, geographical location, land‐use patterns, trophic status), thereby allowing for intersystem parameter differences. Thus, the proposed approach is a compromise between site‐specific (where limited local data is a problem) and globally common (where heterogeneous systems in wide geographical areas are assumed to be identical) parameter estimates. In this study, we used critical values of the mean lake depth and the hydraulic residence time ( τ w = 2.6 years) to specify the hierarchical levels of the models. Our analysis demonstrates that the hierarchical configuration led to an improvement of the performance of six out of the seven hypothesized relationships used to predict lake‐phosphorus concentrations. We also highlight the differences in the posterior moments of the group‐specific parameter distributions, although the inference regarding the importance of different predictors (e.g., inflow‐weighted total phosphorus input concentration, and hydraulic retention time) of lake phosphorus or the relative predictability of the models examined are not markedly different from an earlier study by Brett and Benjamin. The best fit to the observed data was obtained by the model that considers the first‐order rate coefficient for total phosphorus loss from the lake as an inverse function of the lake hydraulic retention time. Finally, our analysis also demonstrates how the Bayesian hierarchical framework can be used for assessing the exceedance frequency and confidence of compliance of water‐quality standards. We conclude that the proposed methodological framework will be very useful in the policy‐making process and can optimize environmental management actions in space and time.
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 | 0,014 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».