Identifying and mitigating systematic biases in fish habitat simulation modeling: Implications for estimating minimum instream flows
Notice bibliographique
Résumé
Abstract Habitat simulation approaches (e.g., PHABSIM) have been used to model instream flows in thousands of streams and rivers and remain the most widely implemented detailed instream flow methodology. However, recent studies suggest that conventional habitat simulation models incorporate assumptions that may systematically underestimate instream flow needs, particularly for drift‐feeding fish. These include: (i) systematic biases in velocity habitat suitability curves (HSCs) caused by territoriality where dominant individuals displace subordinate fish to lower velocity micro‐habitats at high densities, thereby inflating the fitness value of low velocities; (ii) habitat simulation models do not account for flow effects on prey flux to drift‐feeding fishes, which may decrease more rapidly with reduced flow than does available habitat; (iii) use of focal velocities to construct traditional HSCs, which systematically underestimates velocity preference within the broader foraging arena of a drift‐feeding fish, and (iv) inadvertent use of low‐velocity HSCs associated with daytime refuging behavior from predators that may underestimate the higher velocities necessary for crepuscular foraging. Collectively, these factors suggest that current and historic flow prescriptions using traditional habitat simulation methods may underestimate optimal rearing flows for salmonids and other drift‐feeding species by anywhere from 10 to 50%. This implies that traditional instream flow management may be failing to provide the intended level of protection for drift‐feeding fishes in multiple streams at landscape scales. We provide guidelines for identifying contexts where model predictions are likely to be biased and approaches for correcting them.
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 | 0,001 | 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) | 0,000 | 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 ».