Evaluation of Statistical River Temperature Forecast Models for Fisheries Management
Notice bibliographique
Résumé
Abstract Warming rivers and an improved knowledge of thermal impacts on fish are fueling a need for simple tools to generate water temperature forecasts that aid in decision making for the management of aquatic resources. Although there is strong evidence for temperature-dependent mortality in freshwater fish populations, the application of water temperature models for in-season fisheries management is still limited due to a lack of appropriate temperature thresholds and due to uncertainty in forecasts. We evaluated the ability of statistical models based on seasonal trends, air temperature, and discharge to produce daily forecasts of water temperature in the Fraser River, British Columbia, including explicit quantification of uncertainty in predictor variables. For all models evaluated (with and without air temperature and/or discharge predictor variables), the top model choice varied as a function of environmental conditions, uncertainty in the air temperature forecasts used to predict water temperature, and the selection of quantitative performance criteria (i.e., defining the “best” model based on the smallest mean raw error or based on the ability to accurately forecast extreme water temperatures). Water temperature forecasts averaged across 10 d produced by simple models that were fitted only to historical seasonal water temperature trends were as accurate as forecasts generated from uncertain air temperature predictions. Models fitted to air temperature were critical for forecasting high temperature thresholds; even the use of uncertain air temperature forecasts predicted high water temperatures with greater accuracy than models that lacked an air temperature covariate. In contrast, models that were fitted to discharge variables lowered the rate of false-negative and false-positive errors associated with estimating below-average temperatures. On the basis of our findings, we suggest that fisheries managers should quantify the effect of uncertainties in model predictor variables when assessing water temperature models and should evaluate model performance in the context of system-specific conditions and management objectives. Received May 15, 2013; accepted September 13, 2013 Published online January 31, 2014
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».