Inclusion of water temperature in a fuzzy logic Atlantic salmon (Salmo salar) parr habitat model
Notice bibliographique
Résumé
As water temperature is projected to increase in the next decades and its rise is clearly identified as a threat for cold water fish species, it is necessary to adapt and optimize the tools allowing to assess the quantity and quality of habitats with the inclusion of temperature. In this paper, a fuzzy logic habitat model was improved by adding water temperature as a key determinant of juvenile Atlantic salmon parr habitat quality. First, salmon experts were consulted to gather their knowledge of salmon parr habitat, then the model was validated with juvenile salmon electrofishing data collected on the Sainte-Marguerite, Matapedia and Petite-Cascapedia rivers (Québec, Canada). The model indicates that when thermal contrasts exist at a site, cooler temperature offered better quality of habitat. Our field data show that when offered the choice, salmon parr significantly preferred to avoid both cold areas (<15 °C) and warm areas (>20.5 °C). Because such thermal contrasts were not consistently present among the sites sampled, the model was only validated for less than 60% of the sites. The results nevertheless indicate a significant correlation between median Habitat Quality Index and parr density for the Sainte-Marguerite River (R 2 = 0.38). A less important, albeit significant (F-test; p = 0.036) relationship was observed for the Petite-Cascapedia river (R 2 = 0.14). In all instances, the four-variable (depth, velocity, substrate size and temperature) model provided a better explanation of parr density than a similar model excluding water temperature.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».