Effects of Topographic Resolution and Geologic Setting on Spatial Statistical River Temperature Models
Notice bibliographique
Résumé
Abstract River temperature exerts a critical control on habitat for aquatic biota. As the climate warms in eastern Canada, threats to habitats of cold‐water species will increase, underpinning the necessity to develop an understanding of landscape‐scale, thermal regimes of flowing waters. We assessed the performance of spatial statistical network (SSN) models of river temperature using high‐resolution thermal infrared imagery (0.6 m) and LiDAR (1 m) compared to NASA's Shuttle Radar Topography Mission (SRTM—30 m) topographic data and interrogate LiDAR derived fine‐scale models (3 ha) to describe groundwater connectivity to surface waters in catchments with shallow overburden and varied bedrock geology. LiDAR improved model performance in a catchment underlain by a homogeneous, high hydraulic conductance bedrock (Cains River) but did not improve model performance in a catchment with heterogeneous bedrock and variable hydraulic conductance (North Pole Stream). We hypothesize that differences in bedrock conductance modified topographic controls on subsurface flows and discharge patterns to the rivers and thus produced the mixed performance of the SSN models. At finer scales, river reaches in steep valleys incising high conductance bedrock produced groundwater discharge, which was absent in incised valleys with low conductance bedrock. These findings indicate that while topography exerts an important control on landscape‐scale hydrological processes, geologic setting is a similarly important influence on hydrological processes. We suggest the inclusion of a third dimension of spatial autocorrelation, representative of the vertical plane that captures the geologic setting, would broaden the geographic applicability of spatial statistical models for river temperature studies.
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 | 0,000 | 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 | 0,001 |
| 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 ».