Multivariate Modelling of Water Temperature in the Okanagan Watershed
Notice bibliographique
Résumé
Initiatives for the protection of river ecosystems must include the monitoring of key flow and water quality variables, as well as clear and quantifiable management goals. One variable which strongly influences water quality is water temperature, and its modification arising from human activity should be incorporated into ecosystem protection guidelines. This work, conducted as part of the Canadian National Agri-Environmental Standards Initiative (NAESI) program, presents a preliminary study investigating statistical regression methods and a geostatistical approach to model key water temperature characteristics that could assist in the development of standards. Water temperature time series recorded at 16 sites in the Okanagan watershed were used to develop the models. Monthly maxima were modelled for the period of April-September 2007 using four predictors: the site longitude, the drainage basin maximum altitude, the local slope at the station, and the log of the mean substrate diameter. Four types of multivariate regressions of monthly maxima were produced, and a leave-one-out resampling approach was used to validate the models. Relative Bias, Root Mean Square Errors (RMSE) and a corrected Akaike Information Criterion (AICc) were calculated for each month. Models gave RMSE values between 0.9°C and 2.1°C for the monthly maxima. All models generally performed best between May and July. Geostatistical interpolation of maxima was also performed in a multivariate physiographic space reduced to two orthogonal dimensions using canonical correlation analysis (CCA). Examples of interpolated maps show that the approach can be used to discriminate between warm and cool 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 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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».