Warming of Near-Surface Summer Water Temperatures in Lakes of the Conterminous United States
Notice bibliographique
Résumé
Because warming water temperatures have widespread consequences for freshwater communities, we were interested in estimating the patterns and rates of change of near-surface summer water temperatures in United States lakes. We developed multiple regression models to relate daily surface water temperatures in lakes of the conterminous United States to 8-day average air temperatures, latitude, elevation, and sampling month and year using data from 5723 lake samples in the months of June-September during the period 1981–2018. Our model explained 79% of the variation with a root-mean-square error of 1.69 °C. We predicted monthly average near-surface water temperatures for 1033 lakes for each year from 1981 through 2018. Lakes across the conterminous United States have been warming for the period 1981–2018 at an average heating rate of 0.32 °C per decade for the summer months (June–September). The average summer warming from 1981–2018 would be the equivalent of a lake decreasing 259 m in elevation or moving 233 km south. On the basis of national air temperatures starting in 1895, it was inferred that lake water temperatures are variable from year to year and have been steadily increasing since 1964, but that maximum temperatures in the 1930s were just as warm as those in 2008–2018.
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 | 0,000 |
| 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 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 ».