River temperature forecasting: case study for Little Southwest Miramichi River (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
River temperature models play an increasingly important role in the management of fisheries and aquatic resources. Among river temperature models, forecasting models remain relatively unused compared to water temperature simulation models. However, water temperature forecasting is extremely important for in-season management of fisheries, especially when short-term forecasts (a few days) are required. In this study, forecast and simulation models were applied to the Little Southwest Miramichi River (New Brunswick, Canada), where water temperatures can regularly exceed 25–29°C during summer, necessitating associated fisheries closures. Second- and third-order autoregressive models (AR2, AR3) were calibrated and validated using air temperature as the exogenous variable to predict minimum, mean and maximum daily water temperatures. These models were then used to predict river temperatures in forecast mode (1-, 2- and 3-day forecasts using real-time data) and in simulation mode (using only air temperature as input). The results showed that the models performed better when used to forecast rather than simulate water temperatures. The AR3 model slightly outperformed the AR2 in the forecasting mode, with root mean square errors (RMSE) generally between 0.87°C and 1.58°C. However, in the simulation mode, the AR2 slightly outperformed the AR3 model (1.25°C < RMSE < 1.90°C). One-day forecast models performed the best (RMSE ~ 1°C) and model performance decreased as time lag increased (RMSE close to 1.5°C after 3 days). The study showed that marked improvement in the modelling can be accomplished using forecasting models compared to water temperature simulations, especially for short-term forecasts.EDITOR M.C. Acreman ASSOCIATE EDITOR S. Huang
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 | 0,001 | 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 | 0,002 | 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) | 0,001 | 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 découle