Predicting river water temperatures using stochastic models: case study of the Moisie River (Québec, Canada)
Notice bibliographique
Résumé
Abstract Successful applications of stochastic models for simulating and predicting daily stream temperature have been reported in the literature. These stochastic models have been generally tested on small rivers and have used only air temperature as an exogenous variable. This study investigates the stochastic modelling of daily mean stream water temperatures on the Moisie River, a relatively large unregulated river located in Québec, Canada. The objective of the study is to compare different stochastic approaches previously used on small streams to relate mean daily water temperatures to air temperatures and streamflow indices. Various stochastic approaches are used to model the water temperature residuals, representing short‐term variations, which were obtained by subtracting the seasonal components from water temperature time‐series. The first three models, a multiple regression, a second‐order autoregressive model, and a Box and Jenkins model, used only lagged air temperature residuals as exogenous variables. The root‐mean‐square error (RMSE) for these models varied between 0·53 and 1·70 °C and the second‐order autoregressive model provided the best results. A statistical methodology using best subsets regression is proposed to model the combined effect of discharge and air temperature on stream temperatures. Various streamflow indices were considered as additional independent variables, and models with different number of variables were tested. The results indicated that the best model included relative change in flow as the most important streamflow index. The RMSE for this model was of the order of 0·51 °C, which shows a small improvement over the first three models that did not include streamflow indices. The ridge regression was applied to this model to alleviate the potential statistical inadequacies associated with multicollinearity. The amplitude and sign of the ridge regression coefficients seem to be more in agreement with prior expectations (e.g. positive correlation between water temperature residuals of different lags) and make more physical sense. Copyright © 2006 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 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».