Stream temperature modelling using artificial neural networks: application on Catamaran Brook, New Brunswick, Canada
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Fish habitat and aquatic life in rivers are highly dependent on water temperature. Therefore, it is important to understand andto be able to predict river water temperatures using models. Such models can increase our knowledge of river thermal regimes as well as provide tools for environmental impact assessments. In this study, artificial neural networks (ANNs) will be used to develop models for predicting both the mean and maximum daily water temperature. The study was conducted within Catamaran Brook, a small drainage basin tributary to the Miramichi River (New Brunswick, Canada). In total, eight ANN models were investigated using a variety of input parameters. Of these models, four predicted mean daily water temperature and four predicted maximum daily water temperature. The best model for mean daily temperature had eight input parameters: minimum, maximum and mean air temperatures of the current day and those of the preceding day, the day of year and the water level. This model had an overall root‐mean‐square error (RMSE) of 0·96 °C, a bias of 0·26 °C and a coefficient of determination R 2 = 0·971. The model that best predicted maximum daily water temperature was similar to the first model but excluded mean daily air temperature. Good results were obtained for maximum water temperatures with an overall RMSE of 1·18 °C, a bias of 0·15 °C and R 2 = 0·961. The results of ANN models were similar to and/or better than those observed from the literature. The advantages of artificial neural networks models in modelling river water temperature lie in their simplicity of use, their low data requirement and their good performance, as well as their flexibility in allowing many input and output parameters. Copyright © 2008 Crown in the right of Canada and 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.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle