Modeling of water temperatures based on stochastic approaches: case study of the Deschutes River
Notice bibliographique
Résumé
Water temperature is an important physical variable in aquatic ecosystems. It can affect both chemical and biological processes such as dissolved oxygen concentration and both the metabolism and growth of aquatic organisms. For water resource management, stream water temperature models that can accurately reproduce the essential statistical characteristics of historical data can be very useful. The present study deals with the modeling in the Deschutes River of average weekly maximum temperature (AWMT) series using univariate stochastic approaches. Autoregressive (AR) and periodic autoregressive (PAR) models were used to model AWMT data. The AR model consisted of decomposing water temperature data into a long-term annual component and a residual component. The long-term annual component was modeled by fitting a sine function to the time series, while the residuals representing the departure from the long-term annual component were modeled using a Markov chain process. The PAR model was applied to the standardized data obtained by subtracting the AWMT series from interannual mean of each period. To test the performance of the above models, the leave-one-out (Jackknife) technique was used. The results indicated that both models have good predictive ability for a relatively large system such as the Dechutes River. On an annual basis from 1963 to 1980, the average root mean square error varied between 0.81 and 0.90 °C for AR(1) and PAR(1), respectively, and the mean bias remained near 0 °C. Averaged Nash-Sutcliffe coefficient of efficiency (NSC) values obtained by AR (0.94) and PAR (0.92) models were close and comparable. Of the two models, the PAR(1) model seemed the most promising based on its performance and ability to model periodicity in autocorrelations. Since no exogenous variables such as air temperatures and streamflow were incorporated, the use of the PAR model limits the managerial decisions in natural streams and rivers.Key words: average weekly maximum temperature, stochastic model, PAR, AR.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».