Fish habitat modelling in large rivers: combining expert opinion and hydrodynamic modelling to inform river management
Notice bibliographique
Résumé
Physical habitat models represent a widely used tool in river management, yet, there is a growing consensus—particularly for large rivers—that fundamental principles have limits, and it is evident that improved methodologies for assessment and design are needed. Here, we suggest a framework that takes steps towards resolving some of these issues, using changes of fish habitat in a large, regulated river as a case study. First, we propose using hydrodynamic modelling in combination with a fuzzy rule-based classification as a tool to delineate and quantify meso-scale fish habitat. Variability in spatial and temporal extent of mesohabitats can be modelled across a range of flows and under non-wadable conditions when standard mesohabitat surveys become largely unfeasible. Second, research effort and empirical data on habitat use and preference of fishes is typically focused on a small group of species and limited for many imperilled or elusive taxa; we suggest using expert knowledge to expand beyond one or a few species to build the biological models for a community-level assessment until empirical data becomes available. Third, sources of uncertainty that are linked to both fundamental elements of habitat models, namely the biological and hydrodynamic components, need to be quantified and reported in modelling outcomes. The steps described in our modelling framework represent key tools for river managers charged with developing environmental flows guidelines in large, regulated rivers.
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 | 0,001 |
| 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 ».